Upload
others
View
45
Download
10
Embed Size (px)
Citation preview
TUGAS AKHIR – SS141501
PEMODELAN PERTUMBUHAN EKONOMI PROVINSI SUMATERA UTARA DENGAN PENDEKATAN EKONOMETRIKA SPASIAL DATA PANEL
ONGKI NOVRIANDI PURBA NRP 1314 105 012 Dosen Pembimbing Dr. Ir. Setiawan, MS
Program Studi S1 Jurusan Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 2016
FINAL PROJECT – SS141501
Modeling of Economic Growth North Sumatera With Spatial Econometrics Panel Data ONGKI NOVRIANDI PURBA NRP 1314 105 012 Supervisor Dr. Ir. Setiawan, MS
Undergraduate Programme Departement of Statistics Faculty of Mathematics and Natural Sciences Institut Teknologi Sepuluh Nopember Surabaya 2016
v
PEMODELAN PERTUMBUHAN EKONOMI PROVINSI SUMATERA UTARA DENGAN PENDEKATAN
EKONOMETRIKA SPASIAL DATA PANEL
Nama Mahasiswa : Ongki Novriandi Purba NRP : 1314105012 Jurusan : Statistika FMIPA-ITS Pembimbing : Dr.Ir.Setiawan, MS.
Abstrak Salah satu indikator untuk melihat keberhasilan pembangunan
suatu wilayah dapat dilihat dari pertumbuhan ekonominya. Dalam analisis pertumbuhan ekonomi, indikator yang menunjukkan pertumbuhan nyata ekonomi suatu wilayah adalah PDRB atas dasar harga konstan. Pertumbuhan ekonomi suatu wilayah memiliki kecenderungan berkaitan dengan wilayah sekitarnya, sehingga diperlukan model ekonometrika spasial yang dapat mengakomodasi adanya keterkaitan antar wilayah tersebut. Pada penelitian ini menggunakan pemodelan pertumbuhan ekonomi dengan model ekonometrika spasial data panel. Model spasial yang dibangun dalam penelitian ini yaitu Spatial Autoregressive Model (SAR) dan Spatial Error Model (SEM) dengan melibatkan model panel pooled, fixed effects dan random effects menggunakan prosedur estimasi maximum likelihood. Terdapat dua pembobot spasial yang digunakan, yaitu pembobot queen contiguity dan customize. Pembobot queen contiguity dibentuk berdasarkan ketersinggungan sisi sudut. Pembobot customize dibentuk berdasarkan faktor lain yaitu keterkaitan infrastuktur berupa jalan nasional, jalan provinsi serta Kota Medan sebagai pusat perekonomian. Model terbaik pada pemodelan pertumbuhan ekonomi kabupaten/kota di Provinsi Sumatera Utara adalah SAR pooled dengan pembobot queen contiguity, dengan variabel signifikan yang mempengaruhi pertumbuhan ekonomi kabupaten/kota di Provinsi Sumatera Utara adalah pendapatan asli daerah dengan elastisitas sebesar 0,4044, belanja modal dengan elastisitas sebesar 0,6144 dan rumah tangga pengguna listrik dengan elastisitas sebesar 0,6609.
Kata Kunci: Ekonometrika spasial data panel, Pertumbuhan ekonomi, SAR dan SEM model pooled, fixed effect atau random effect.
vii
Modeling of Economic Growth North Sumatera With Spatial Econometric Panel Data
Name : Ongki Novriandi Purba NRP : 1314 105 012 Department : Statistics FMIPA-ITS Supervisor : Dr.Ir.Setiawan, MS.
ABSTRACT
One of indicator to see the success of the development of an area can be seen from its economic growth. In the analysis of economic growth, an indicator showing the real economic growth of a region is the GDP at constant prices. The economic growth of the region has a tendency with regard to the surrounding area, so that the necessary spatial econometric model that can accommodate their interrelationships the region. In this study, using modeling economic growth with spatial econometric panel data models. Spatial models are built in this study is Spatial Autoregressive Model (SAR) and Spatial Error Model (SEM) involves pooled panel model, fixed effects and random effects using maximum likelihood estimation procedure. There are two spatial weighting is used, which is a weighted queen contiguity and customize. The weighting queen contiguity formed by the offense side of the corner. Customize weighting was formed based on other factors, namely infrastructure linkages such as national roads, provincial roads as well as the economic hub of Medan. The best model for modeling economic growth districts/cities in North Sumatra Province is pooled with the weighted SAR queen contiguity, with significant variables affecting economic growth regencies/cities in North Sumatra Province is the local revenue with the elasticity of 0.4044, with capital expenditure elasticities at 0.6144 and household electricity users with the elasticity of 0.6609.
Keywords: Spatial Econometrics of panel data, economic
growth, SAR and SEM models pooled, fixed effect or random effect.
xi
DAFTAR ISI
halaman
HALAMAN JUDUL.................................................................... i LEMBAR PENGESAHAN ....................................................... iii ABSTRAK ....................................................................................v ABSTRACT .............................................................................. vii KATA PENGANTAR ............................................................... ix DAFTAR ISI .............................................................................. xi DAFTAR GAMBAR ............................................................... xiii DAFTAR TABEL ......................................................................xv DAFTAR LAMPIRAN .......................................................... xvii BAB I. PENDAHULUAN 1.1 Latar Belakang ........................................................................1 1.2 Rumusan Masalah ...................................................................6 1.3 Batasan Masalah ......................................................................6 1.4 Tujuan Penelitian .....................................................................6 1.5 Manfaat Penelitian ...................................................................6 BAB II. TINJAUAN PUSTAKA 2.1 Keadaan Geografis Provinsi Sumatera Utara ..........................9 2.2 Explanatory Spatial Data Analysis (ESDA) .........................10 2.3 Ekonometrika Spasial Data Panel .........................................13
2.3.1 Model Regresi Data Panel ............................................13 2.3.2 Model Regresi Spasial ..................................................15
2.3.3 Uji Dependensi Spasial ................................................17 2.3.4 Model Spasial Data Panel ............................................18
2.3.5 Pemilihan Pembobot Spasial ........................................23 2.3.6 Pengujian Signifikansi Parameter ................................24 2.3.7 Kriteria Kebaikan Model (Goodness of Fit) .................26 2.3.8 Pengujian Asumsi Model .............................................28
2.4 Model Fungsi Produksi Cobb-Douglas .................................30 2.5 Keterkaitan Antar Variabel pada Model Pertumbuhan Ekonomi ..........................................................31
xii
BAB III. METODOLOGI PENELITIAN 3.1 Kerangka Konsep ..................................................................35 3.2 Sumber Data ..........................................................................36 3.3 Variabel Penelitian ................................................................36 3.4 Spesifikasi Model ..................................................................38 3.5 Struktur Data .........................................................................40 3.6 Metode Analisis .....................................................................40 3.7 Diagram Alir .........................................................................46 BAB IV. ANALISIS DATA DAN PEMBAHASAN 4.1 Explanatory Spatial Data Analysis (ESDA) .........................49
4.1.1 Gambaran Umum Variabel Penelitian ........................49 4.1.2 Autokorelasi Spasial ...................................................65
4.2 Pemodelan Pertumbuhan Ekonomi dengan Model Ekonometrika Spasial Data Panel ............................69
4.2.1 Pengujian Dependensi Spasial ...................................69 4.2.2 Pemodelan Pertumbuhan Ekonomi dengan Model Spasial Data Panel..........................................71 4.2.3 Pengujian Signifikansi Parameter ..............................76
4.2.4 Deteksi Multikolinearitas ...........................................77 4.2.5 Pemilihan model terbaik dengan menghilangkan
variabel yang terindikasi menyebabkan terjadinya multikolinearitas ........................................................78
4.2.6 Pengujian Signifikansi Parameter Dengan Tiga Variabel Independen..................................................84
4.2.7 Estimasi Model Spasial Data Panel ...........................85 4.2.8 Pengujian Asumsi Residual .......................................88
BAB V. KESIMPULAN DAN SARAN 5.1 Kesimpulan ...................................................................91 5.2 Saran........................................................................... ...91
DAFTAR PUSTAKA ................................................................93 LAMPIRAN ...............................................................................97
xiii
DAFTAR GAMBAR
halaman Gambar 2.1 Peta Provinsi Sumatera Utara ...............................10 Gambar 2.2 Moran’s Scatterplot .............................................13 Gambar 3.1 Kerangka Konsep .................................................35 Gambar 3.2 Ilustrasi Persinggungan (Contiguity) ....................41 Gambar 3.3 Diagram Alir Penelitian .......................................46 Gambar 3.4 Diagram Alir dari Explanatory Spatial Data
Analysis.. ..............................................................47 Gambar 3.5 Diagram Alir Penelitian dari Pemodelan
Pertumbuhan Ekonomi Provinsi Sumatera Utara dengan Pendekatan Ekonometrika Spasial Data Panel .....................................................................48
Gambar 4.1 PDRB atas Dasar Harga Konstan Menurut Kabupaten/Kota Provinsi Sumatera Utara Tahun 2012–2014 .................................................50
Gambar 4.2 Peta Persebaran PDRB atas Dasar Harga Konstan Provinsi Sumatera Utara Tahun 2014 ....51
Gambar 4.3 Pendapatan Asli Daerah (PAD) Menurut Kabupaten/Kota Provinsi Sumatera Utara Tahun 2012–2014.. ...............................................52
Gambar 4.4 Peta Persebaran Pendapatan Asli Daerah Provinsi Sumatera Utara Tahun 2014 ..................54
Gambar 4.5 Belanja Modal Menurut Kabupaten/Kota Provinsi Sumatera Utara Tahun 2012–2014 (Ribu rupiah) ........................................................55
Gambar 4.6 Peta Persebaran Belanja Modal Provinsi Sumatera Utara Tahun 2014 .................................56 Gambar 4.7 Tenaga Kerja Menurut Kabupaten/Kota
Provinsi Sumatera Utara Tahun 2012–2014 (Ribu rupiah) ........................................................57
Gambar 4.8 Peta Persebaran Jumlah Penduduk Umur 15 Tahun Keatas yang Bekerja Provinsi Sumatera Utara Tahun 2014 .................................................58
xiv
Gambar 4.9 Rumah Tangga yang Menggunakan Sumber Penerangan Listrik Menurut Kabupaten/Kota Provinsi SumateraUtara Tahun 2012–2014.. .......59
Gambar 4.10 Peta Persebaran Rumah Tangga yang Menggunakan Sumber Penerangan Listrik Provinsi Sumatera Utara 2014..............................61
Gambar 4.11 Rata-rata Lama Sekolah Menurut Kabupaten/Kota Provinsi Sumatera Utara Tahun 2012–2014 (Ribu rupiah) ..........................62
Gambar 4.12 Peta Persebaran Rata-rata Lama Sekolah Provinsi Sumatera Utara Tahun 2014 ..................63
Gambar 4.13 Scatterplot antara Variabel Dependen dengan Masing-masing Variabel Independen ...................64
Gambar 4.14 Moran’s Scatterplot PDRB atas Dasar Harga Konstan Menurut Kabupaten/Kota Provinsi Sumatera Utara Tahun 2012–2014 Pembobot Queen Contiguity ................................................66
Gambar 4.15 Moran’s Scatterplot PDRB atas Dasar Harga Konstan Menurut Kabupaten/Kota Provinsi Sumatera Utara Tahun 2012–2014 Pembobot Costumize.. ...........................................................68
Gambar 4.16 Scatterplot antara Residual dengan Nilai Prediksi (Fits) .......................................................88
Gambar 4.17 Plot Autocorrelation Function (ACF) dari Residual ...............................................................89 Gambar 4.18 Probability Plot dari Residual ..............................90
xv
DAFTAR TABEL
halaman
Tabel 2.1 Ukuran Kebaikan Model Untuk Model Spasial Data Panel ................................................................27
Tabel 2.2 Kriteria Pengambilan Keputusan Uji Durbin Watson .....................................................................29
Tabel 3.1 Variabel Penelitian ...................................................36 Tabel 3.2 Nama Kabupaten/Kota Provinsi Sumatera Utara ....37 Tabel 3.3 Struktur Data ............................................................40 Tabel 4.1 Korelasi Pearson antara Variabel Dependen
dengan Variabel Independen ...................................64 Tabel 4.2 Hasil Perhitungan Indeks Moran (Moran’s I)
PDRB atas Dasar Harga Konstan Menurut Kabupaten/Kota Provinsi Sumatera Utara Tahun 2012–2014 dengan Pembobot Queen Contiguity .....65
Tabel 4.3 Hasil Perhitungan Indeks Moran (Moran’s I) PDRB atas Dasar Harga Konstan Menurut Kabupaten/Kota Provinsi Sumatera Utara Tahun 2012–2014 dengan Pembobot Customize ................67
Tabel 4.4 Uji Dependensi Spasial ............................................70 Tabel 4.5 Hasil Estimasi Parameter SAR dengan Pembobot
Queen Contiguity ................................................... 72 Tabel 4.6 Hasil Estimasi Parameter SAR dengan Pembobot
Customize .................................................................73 Tabel 4.7 Hasil Estimasi Parameter SEM dengan Pembobot
Queen Contiguity ................................................... 74 Tabel 4.8 Hasil Estimasi Parameter SEM dengan Pembobot
Customize .................................................................75 Tabel 4.9 Hasil Uji Likelihood Ratio (LR) ..............................76 Tabel 4.10 Variance Inflation Factors (VIF) ............................77 Tabel 4.11 Korelasi Pearson antar Variabel ..............................77 Tabel 4.12 Uji Dependensi Spasial Tiga Variabel Independen .79
xvi
Tabel 4.13 Hasil Estimasi Parameter SAR pada Model Terbaik dengan Menggunakan Pembobot Queen
Contiguity ...............................................................80 Tabel 4.14 Hasil Estimasi Parameter SAR dengan Pembobot
Customize Tiga Variabel Independen ..................... 81 Tabel 4.15 Hasil Estimasi Parameter SEM dengan Pembobot
Queen Contiguity Tiga Variabel Independen ..........82 Tabel 4.16 Hasil Estimasi Parameter SEM dengan Pembobot
Customize Tiga Variabel Independen ..................... 83 Tabel 4.17 Hasil Uji Likelihood Ratio (LR) Tiga Variabel
Independen ...............................................................85
1
BAB I PENDAHULUAN
1.1 Latar Belakang Keberhasilan program pembangunan suatu negara dapat
dilihat dari pertumbuhan ekonominya, sehingga dalam melakukan pembangunan suatu wilayah pemerintah memerlukan perencanaan yang akurat, serta diharapkan dapat melakukan evaluasi terhadap pembangunan yang dilakukannya. Pertumbuhan ekonomi di suatu wilayah merupakan suatu proses perubahan kondisi perekonomian yang berkesinambungan menuju keadaan yang lebih baik selama periode tertentu di wilayah tersebut. Oleh karena itu diperlukan pemodelan pertumbuhan ekonomi sebagai acuan dalam membuat perencanaan dan evaluasi pembangunan.
Pembangunan ekonomi daerah adalah suatu proses kerja antara Pemerintah Daerah dan masyarakatnya dalam mengelola sumber daya yang ada dan membentuk suatu pola kemitraan antara Pemerintah Daerah dengan sektor swasta untuk menciptakan suatu lapangan kerja baru dan merangsang perkembangan kegiatan ekonomi (pertumbuhan ekonomi) dalam wilayah tersebut (Arsyad,1999). Dengan demikian, tolok ukur keberhasilan pembangunan dapat dilihat dari pertumbuhan ekonomi, struktur ekonomi, dan semakin kecilnya ketimpangan pendapatan antar penduduk, antar daerah dan antar sektor.
Menurut Ahmad (2012), perkembangan ekonomi suatu daerah tidak terlepas dari keterkaitan dengan daerah lainnya. Faktor-faktor perkembangan ekonomi juga saling berkaitan dan tidak berdiri sendiri. Sumatera Utara sebagai salah satu provinsi yang sedang berkembang, terus berusaha meningkatkan derajat perekonomiannya. Salah satu indikator pertumbuhan ekonomi yang sering digunakan adalah Produk Domestik Regional Bruto (PDRB). Besaran nilai PDRB Provinsi Sumatera Utara terus mengalami perkembangan dari tahun ke tahun. Indikator tersebut
2
berkaitan dan disebabkan oleh sumbangsih semua sektor ekonomi, manusia, sumber daya manusia, regulasi/kebijakan daerah dan faktor-faktor lainnya.
Salah satu ahli yang telah memperkenalkan model ekonometrika untuk pertumbuhan ekonomi adalah Robert Solow, yang memperkenalkan model pertumbuhan ekonomi neoklasik (Sardadvar, 2011 dalam Utami, 2015). Model ini berfokus pada kondisi ekonomi tertutup (closed economy) yaitu output berupa produksi dihasilkan oleh dua faktor seperti tenaga kerja (labour) dan modal (capital). Seiring perkembangan kondisi ekonomi tertutup menjadi konsep perekonomian terbuka, model pertumbuhan ekonomi neoklasik Solow kemudian berkembang dengan penambahan faktor perkembangan teknologi. Mankiw, Romer, dan Weil pada tahun 1992, mengusulkan untuk menyertakan faktor sumber daya manusia (human capital) sebagai tambahan untuk modal fisik (physical capital) dan mendefinisikan sumber daya manusia (human capital) sebagai kemampuan, keterampilan serta pengetahuan tenaga kerja.
Model pertumbuhan ekonomi neoklasik sebelumnya dikembangkan mulai dari hipotesis bahwa perekonomian wilayah secara fundamental tertutup. Namun di dalam perkembangannya hipotesis ini kurang sesuai diterapkan, karena terjadinya perdagangan dan perpindahan antar wilayah yang menyebabkan pertumbuhan ekonomi di suatu wilayah memiliki kecenderungan berkaitan dengan wilayah sekitarnya. Oleh karena itu, untuk menganalisis fenomena pola hubungan antar wilayah dalam hal pertumbuhan ekonomi digunakan pendekatan ekonometrika spasial yang dapat memperhatikan adanya interaksi spasial. Interaksi spasial ini dapat dibedakan menjadi dua yaitu autokorelasi spasial dan heterogenitas. Autokorelasi spasial terjadi akibat adanya ketergantungan atau dependensi antar wilayah, sedangkan heterogenitas spasial terjadi akibat adanya perbedaan antara satu wilayah dengan wilayah lainnya spasial (Anselin, 1988).
3
Pada penelitian ini interaksi spasial yang akan menjadi bahan kajian adalah adanya dependensi antar wilayah. Salah satu cara untuk memodelkan adanya dependensi spasial adalah Spatial Autoregressive Model (SAR) yang mengasumsikan variabel dependen pada suatu wilayah berkaitan oleh variabel dependen wilayah lainnya. Cara lainnya adalah melalui Spatial Error Model (SEM) dimana diasumsikan pada error model suatu wilayah dengan wilayah lainnya terdapat korelasi spasial. LeSage dan Pace (2009) mengembangkan model yang mengasumsikan bahwa variabel dependen suatu wilayah juga berkaitan dengan variabel independen wilayah lainnya.
Model ekonometrika spasial pada penelitian ini diterapkan untuk menganalisis pertumbuhan ekonomi wilayah pada kabupaten/kota di Provinsi Sumatera Utara. Provinsi Sumatera Utara yang merupakan salah satu provinsi besar di Indonesia, dengan luas wilayah secara keseluruhan yaitu 72.981,23 km2. Laju pertumbuhan ekonomi Provinsi Sumatera Utara terbilang cukup tinggi. Pada tahun 2014, laju pertumbuhan ekonomi Sumatera Utara tercatat sebesar 5,23% berada diatas pertumbuhan ekonomi diatas pertumbuhan ekonomi nasional sebesar 5,02% (Bank Indonesia, 2015). Dalam analisis pertumbuhan ekonomi wilayah, indikator yang menunjukkan pertumbuhan nyata ekonomi suatu wilayah adalah PDRB atas dasar harga konstan wilayah tersebut.
Berdasarkan harga konstan tahun 2010, PDRB Provinsi Sumatera Utara pada tahun 2014 tercatat sebesar Rp. 419,65 triliun (BPS, 2015). Hal ini dapat dilihat bahwa PDRB Provinsi Sumatera Utara mengalami peningkatan dari tahun ke tahun. Sehingga hal tersebut menandakan terjadinya pertumbuhan nyata ekonomi ke arah yang positif. Berdasarkan fakta tersebut, faktor-faktor yang berpengaruh terhadap pertumbuhan ekonomi kabupaten/kota di Provinsi Sumatera Utara menjadi menarik untuk dikaji.
Selain faktor-faktor sosial ekonomi penelitian ini mempertimbangkan adanya interaksi spasial dalam pemodelan
4
pertumbuhan ekonomi kabupaten/kota di Provinsi Sumatera Utara sehingga digunakan pendekatan ekonometrika spasial. Pemodelan pertumbuhan ekonomi Provinsi Sumatera Utara yaitu dengan model ekonometrika spasial yang menggunakan data cross section dan data time series kabupaten/kota Provinsi Sumatera Utara, sehingga digunakan data panel didalam penelitian ini untuk menggabungkan kedua data tersebut. Data panel adalah gabungan antara data cross section dan data time series dimana unit cross section yang sama diukur pada waktu yang berbeda. Terdapat beberapa kelebihan menggunakan data panel, yaitu data bersifat heterogen, lebih informatif, bervariasi, derajat bebas lebih besar, lebih efisien, dapat menghindari masalah multikolinearitas, lebih unggul dalam mempelajari perubahan dinamis, lebih dapat mendeteksi dan mengukur pengaruh-pengaruh yang tidak dapat diobservasi pada data cross section murni dan time series murni, dan dapat meminimalisasi bias (Baltagi, 2005).
Spesifikasi model dan prosedur estimasi untuk model ekonometrika spasial data panel telah banyak dikembangkan oleh para ahli antara lain Anselin (2005), Baltagi (2012), Elhorst (2003, 2010, 2013, 2014). Pada penelitian ini prosedur estimasi parameter yang digunakan sebagai acuan adalah prosedur estimasi parameter model spasial data panel oleh Elhorst (2014). Pada Elhorst (2014) diuraikan mengenai estimasi parameter pada model SAR dan SEM dengan melibatkan model panel fixed effects dan random effects dengan metode estimasi maximum likelihood.
Penelitian yang memodelkan adanya dependensi spasial dengan menggunakan data panel sebelumnya telah dilakukan oleh Mildino (2011) yang memodelkan indeks rasio gini provinsi di Pulau Jawa pada tahun 2004–2008 dengan model spasial yang digunakan adalah SAR dan SEM melibatkan model panel fixed effects dan random effects. Estimasi parameter dilakukan dengan menggunakan metode Maximum Likelihood Estimation (MLE). Marsono (2013) memodelkan pengangguran terbuka di
5
Indonesia pada tahun 2007–2011 dengan model spasial yang digunakan adalah SAR, SEM, dan SDM melibatkan model panel fixed effects dan random effects. Estimasi parameter dilakukan dengan menggunakan metode MLE.
Penelitian dalam kasus pertumbuhan ekonomi dengan model ekonometrika spasial data panel pernah dilakukan oleh Edi (2012) yang memodelkan laju pertumbuhan ekonomi di Jawa Timur pada tahun 2007–2009 dengan model spasial yang digunakan adalah SAR dan SEM melibatkan model panel fixed effects. Estimasi parameter dilakukan dengan menggunakan metode Quasi-Maximum Likelihood Estimation (QMLE). Model terbaik dihasilkan oleh model SAR fixed individual effects dimana variabel independen yang signifikan dalam memodelkan laju pertumbuhan ekonomi adalah rata-rata lama sekolah dan persentase dana alokasi umum. Dan, Utami (2015) yang memodelkan pertumbuhan ekonomi di Provinsi Bali pada tahun 2007–2012 dengan model spasial yang digunakan adalah SDM dan SDEM yang melibatkan model panel fixed effects dan random effects. Estimasi parameter dilakukan dengan menggunakan metode MLE. Model terbaik dihasilkan oleh model SDEM random effects dimana variabel independen yang signifikan dalam memodelkan laju pertumbuhan ekonomi adalah pendapatan asli daerah dan belanja modal.
Berdasarkan pemaparan di atas, penelitian yang memodelkan adanya dependensi spasial menggunakan data panel cukup menarik untuk dikaji dalam kaitannya untuk memodelkan pertumbuhan ekonomi. Sehingga, pada penelitian ini akan dilakukan kajian mengenai karakteristik pertumbuhan ekonomi di Provinsi Sumatera Utara dengan mempertimbangkan adanya dependensi spasial antar kabupaten/kota menggunakan data panel dalam memodelkan pertumbuhan ekonomi kabupaten/kota di Provinsi Sumatera Utara dan menggunakan model SAR dan SEM.
6
1.2 Rumusan Masalah Berdasarkan paparan pada latar belakang, maka rumusan
masalah pada penelitian ini adalah sebagai berikut: 1. Bagaimana sebaran atau asosiasi spasial dari kabupaten/kota
di Provinsi Sumatera Utara dari segi pertumbuhan ekonomi? 2. Bagaimana memodelkan pertumbuhan ekonomi di Provinsi
Sumatera Utara dengan pendekatan ekonometrika spasial data panel?
1.3 Batasan Masalah
Di dalam penelitian ini, permasalahan dibatasi pada: 1. Model data panel yang digunakan adalah model data panel
statis. 2. Efek panel yang dimodelkan hanya efek spasial dengan tidak
melibatkan efek waktu. 3. Pembobot spasial yang akan digunakan yaitu queen contiguity
dan customize. 1.4 Tujuan Penelitian
Mengacu kepada rumusan masalah, maka tujuan dari penelitian ini adalah sebagai berikut: 1. Mendeskripsikan sebaran atau asosiasi spasial dari
kabupaten/kota di Provinsi Sumatera Utara dari segi pertumbuhan ekonomi.
2. Memperoleh model pertumbuhan ekonomi di Provinsi Sumatera Utara dengan pendekatan ekonometrika spasial data panel.
1.5 Manfaat Penelitian
Manfaat yang diharapkan dapat diperoleh dari penelitian ini adalah sebagai berikut: 1. Mengembangkan wawasan keilmuan dalam kajian mengenai
model pertumbuhan ekonomi dengan mempertimbangkan dependensi spasial dalam konteks data panel.
2. Hasil penelitian ini diharapkan dapat menjadi masukan dan
7
bahan pertimbangan bagi pemerintah, masyarakat dan stakeholder dalam berbagai kebijakan pembangunan daerah yang menyangkut pengaruh spasial terhadap pertumbuhan ekonomi daerah.
9
BAB II TINJAUAN PUSTAKA
Tinjauan pada bab ini akan membahas tentang empat
materi utama yaitu keadaan geografis Provinsi Sumatera Utara, konsep explanatory spatial data analysis, model ekonometrika spasial data panel dan pengujian-pengujian yang diperlukan, serta keterkaitan antar variabel yang digunakan pada model pertumbuhan ekonomi. 2.1 Keadaan Geografis Provinsi Sumatera Utara
Provinsi Sumatera Utara berada di bagian barat Indonesia, terletak di antara 10–40 Lintang Utara dan 980–1000 Bujur Timur. Luas wilayah Provinsi Sumatera Utara mencapai 71.680,68 km2 atau 3,72% dari luas wilayah Republik Indonesia. Provinsi Sumatera Utara memiliki 162 pulau, yaitu 6 pulau di Pantai Timur dan 156 pulau di Pantai Barat. Batas wilayah Provinsi Sumatera Utara berbatasan dengan daerah perairan dan laut serta dua provinsi lain: di sebelah Utara berbatasan dengan Provinsi Aceh, di sebelah Timur dengan Negara Malaysia di Selat Malaka, di sebelah Selatan berbatasan dengan Provinsi Riau dan Sumatera Barat, dan di sebelah Barat berbatasan dengan Samudera Hindia. Letak geografis Provinsi Sumatera Utara berada pada jalur strategis pelayaran Internasional. Selat Malaka yang dekat dengan Singapura, Malaysia dan Thailand (BPS, 2015).
Pada tahun 2014 penduduk Sumatera Utara berjumlah 13.766.851 jiwa yang terdiri dari 6.868.587 jiwa penduduk laki-laki dan 6.898.264 jiwa perempuan. Luas daratan Provinsi Sumatera Utara adalah 72.981,23 km2, dimana sebagian besar berada di daratan Pulau Sumatera, dan sebagain kecil berada di Pulau Nias, Pulau-pulau Batu, serta beberapa pulau kecil, baik di bagian barat maupun bagian timur pantai pulau Sumatera. Provinsi Sumatera Utara terdiri atas 25 Kabupaten dan 8 Kota
10
(BPS, 2015). Peta Provinsi Sumatera Utara dapat dilihat pada Gambar 2.1.
Gambar 2.1 Peta Provinsi Sumatera Utara
Sumber: Sumatera Utara dalam Angka tahun 2015, BPS
2.2 Explanatory Spatial Data Analysis (ESDA) Anselin (2005) mendefenisikan Explanatory Spatial
Data Analysis (ESDA) sebagai kumpulan teknik untuk menggambarkan dan memvisualisasikan distribusi spasial, mengidentifikasi lokasi, menemukan pola asosiasi spasial (spatial cluster) dan bentuk ketidakstabilan spasial atau ketidakstasioneritasan spasial lainnya. Inti dari ESDA ialah konsep autokorelasi spasial yang mengukur korelasi variabel dengan dirinya sendiri melalui ruang. Autokorelasi spasial dapat bernilai positif atau negatif. Autokorelasi spasial yang positif terjadi ketika nilai yang sama terjadi pada wilayah yang berdekatan, hal ini menandakan terjadi pengelompokan (clustering). Autokorelasi spasial negatif terjadi ketika nilai-nilai yang berbeda terjadi pada wilayah yang berdekatan, hal ini menandakan terjadi penyebaran (dispersion).
11
Anselin (2005) juga menyatakan bahwa uji untuk mengetahui autokorelasi spasial adalah dengan menggunakan indeks Moran (Moran’s I) seperti pada persamaan (2.1) berikut:
N
i
N
j
N
iiij
N
i
N
jjiij
xxw
xxxxwNI
1 1 1
2
1 1 (2.1)
Pada matriks dapat dinotasikan sebagai berikut:
I = ( ) ( )
( ) ( ) (2.2)
dengan: xi = data amatan ke-i (i = 1,2,…,N) untuk variabel yang diduga
memiliki autokorelasi spasial xj = data amatan ke-j (j = 1,2,…,N) untuk variabel yang diduga
memiliki autokorelasi spasial = rata-rata data wij = matriks pembobot spasial (dijelaskan pada sub-bab 2.3.5) N = jumlah wilayah. Hipotesis untuk uji signifikansi indeks Moran (Moran’s I) adalah sebagai berikut: H0 : Tidak terdapat autokorelasi spasial H1 : Terdapat autokorelasi spasial Dengan statistik uji sebagai berikut:
Z (I) = ( )
√ ( ) N (0,1) (2.3)
dimana,
Var (I)= 220
2
2021
2
)().1(
.3.. IESN
SSNSN
11)(
N
IE
12
N
i
N
jijWS
1 10
N
i
N
jjiij wwS
1 1
21 2
1
N
i
N
iii
N
j
N
jjiij wwwwS
1 1
2
2
1 12 )(
N
jiji ww
1
Keputusan: Tolak jika | ( )| > .
Dengan membuat Moran’s scatterplot, maka dapat dilihat pola penyebaran antar lokasi yang disajikan ada Gambar 2.2. Menurut Perobelli dan Haddad (2003), Moran’s scatterplot dibagi atas empat kuadran yang cocok untuk empat pola kumpulan spasial lokal setiap wilayah yang bertetangga. Berikut adalah penjelasan dari masing-masing kuadran. 1. Kuadran I (terletak di kanan atas) disebut High-High (HH)
menunjukkan wilayah yang memiliki pengamatan tinggi yang dikelilingi oleh wilayah yang juga memiliki pengamatan tinggi untuk variabel yang dianalisis.
2. Kuadran II (terletak di kiri atas) disebut Low-High (LH) menunjukkan wilayah dengan nilai rendah tapi dikelilingi wilayah dengan nilai tinggi.
3. Kuadran III (terletak di kiri bawah) disebut Low-Low (LL) menunjukkan wilayah dengan nilai pengamatan rendah dan dikelilingi oleh wilayah yang juga mempunyai nilai pengamatan rendah.
4. Kuadran IV disebut High-Low (HL) menunjukkan wilayah dengan nilai tinggi yang dikelilingi wilayah dengan nilai rendah.
Apabila amatan berada di kuadran I dan III maka terdapat indikasi terjadi pengelompokan (clustering) yang
13
berarti terjadi autokorelasi spasial yang positif antara wilayah yang diamati dengan wilayah yang lainnya, sedangkan apabila amatan berada di kuadran II dan IV mengindikasikan terjadi penyebaran (dispersion) yang berarti terjadi autokorelasi negatif antara wilayah yang diamati dengan wilayah yang lainnya.
0.50 0.25
Kuadran II Low-High
Kuadran I High-High
0.00 -0.25 -0.50
Kuadran III Low-Low
Kuadran IV High-Low
Gambar 2.2 Moran’s Scatterplot 2.3 Ekonometrika Spasial Data Panel
Model ekonometrika spasial data panel merupakan model ekonometrika yang mencakup adanya dependensi spasial dengan menggunakan data panel. Pada penelitian ini akan dibahas mengenai konsep dasar model regresi panel, model regresi spasial, model spasial data panel serta pengujian-pengujian yang diperlukan pada model spasial data panel.
2.3.1 Model Regresi Data Panel
Data panel (panel pooled data) adalah gabungan data cross section dan time series. Regresi dengan menggunakan data panel disebut model regresi data panel. Ada beberapa keuntungan yang diperoleh dengan menggunakan data panel. Pertama, data panel mampu menyediakan data yang lebih banyak sehingga akan menghasilkan degree of freedom yang lebih besar. Kedua, menggabungkan informasi dari data time
-0.50 -0.25 0.00 0.25 0.50
14
series dan cross section dapat mengatasi masalah yang timbul ketika adalah masalah penghilangan variabel (commited-variable) (Widarjono, 2013).
Baltagi (2005) menyatakan bahwa regresi data panel berbeda dengan regresi time series atau cross section, dimana pada regresi panel terdapat dua indeks pada variabelnya, seperti digambarkan pada model berikut:
0ity
β + ; i = 1,2,…, N; t = 1,2,…,T (2.4) dimana indeks i menyatakan dimensi cross section sedangkan t menyatakan dimensi time series. adalah intercept, β adalah parameter regresi berukuran k×1 dan adalah pengamatan ke it dari vektor variabel dependen ke-k. Sebagian besar aplikasi data panel menggunakan model komponen error one-way dengan:
itiitu (2.5) dimana i menyatakan efek spesifik individu yang tidak teramati dan it menyatakan komponen error lainnya. Dengan catatan time-invariant dan merupakan semua efek spesifik individu yang tidak diikutsertakan di dalam model regresi atau efek individu yang tidak dapat diamati. Komponen error it berubah seiring individu dan waktu dan dapat digambarkan sebagai error yang umum dalam model regresi. 2.3.1.1 Estimasi Regresi Data Panel
Secara umum dengan menggunakan data panel, dapat diperoleh intersep dan slope koefisien yang berbedapada setiap data dependen dan setiap periode waktu. Oleh karena itu dalam mengestimasi persamaan akan sangat tergantung dari asumsi mengenai intersep, koefisien slope dan variabel gangguannya. Beberapa kemungkinan yang akan muncul antara lain: 1. Diasumsikan slope adalah tetap tetapi intersep berbeda antar
individu. 2. Diasumsikan slope adalah tetap tetapi intersep berbeda baik
antar waktu maupun antar individu.
15
3. Diasumsikan intersep dan slope adalah tetap sepanjang waktu dan individu dan perbedaan intersep dan slope dijelaskan oleh variabel gangguan.
4. Diasumsikan intersep dan slope berbeda antara waktu dan antar individu.
5. Diasumsikan intersep dan slope berbeda antar individu. Pendekatan yang dapat dilakukan antara lain pendekatan Fixed Effect dan Random Effect. a. Model Fixed Effects
Pada model fixed effects, dan diasumsikan fixed parameter yang akan diestimasi, sedangkan komponen error lainnya yaitu diasumsikan random IID(0,
ε). diasumsikan independen terhadap untuk setiap i dan t. model fixed effects adalah model yang sesuai ketika fokus utama dari penelitian ini adalah individu dan sifat dari individu yang diamati. Estimasi parameter pada model fixed effects biasanya menggunakan metode Least Square Dummy Variable (LSDV) atau dapat juga menggunakan estimasi MLE. b. Model random Effects
Pada model random effects, , , dan komponen error lainnya yaitu diasumsikan random IID(0, ). Sebagai tambahan, diasumsikan independen terhadap , , untuk setiap i dan t. Estimasi parameter pada model random effects biasanya menggunakan Generalized Least Square (GLS) ketika matriks varians kovarians Ω diketahui, sedangkan metode Feasibe Generalized Least Square (FGLS) digunakan ketika Ω tidak diketahui. MLE juga dapat digunakan untuk estimasi parameter pada model random effects.
2.3.2 Model Regresi Spasial
Konsep mengenai kedekatan geografis pertama kali dikenalkan oleh Tobler (1970) yang menyatakan bahwa segala sesuatu yang berhubungan satu dengan yang lainnya, namun sesuatu yang dekat mempunyai pengaruh lebih besar daripada sesuatu yang berjauhan. Hukum tersebut merupakan dasar
16
pengkajian permasalahan berdasarkan pengaruh lokasi atau spasial. Metode spasial merupakan metode yang digunakan untuk mendapatkan informasi yang dipengaruhi efek ruang atau lokasi. Sedangkan regresi spasial merupakan suatu analisis untuk mengevaluasi hubungan antara satu variabel dengan beberapa variabel lain dengan memperhatikan pengaruh spasial.
Model regresi spasial yang disebut sebagai General Spatial Model secara umum dapat dimodelkan sebagai berikut:
y = ρWy + Xβ + u (2.6) u = λWu + ε ( ) dimana: y = vektor variabel dependen berukuran N × 1 X = matriks variabel independen berukuran N × (k+1) β = vektor parameter regresi berukuran (k+1) × 1 ρ = parameter spasial lag variabel dependen λ = parameter spasial error yang bernilai 1 u = vektor error berukuran N × 1 ε = vektor error berukuran N × 1 yang berdistribusi normal
dengan rata-rata nol dan varians , ( ), dimana I adalah matriks identitas berukuran N × N dan N adalah banyaknya pengamatan atau lokasi (i=1,2,3,…,N)
W = matriks pembobot berukuran N × N dengan elemen diagonal bernilai nol.
Terdapat beberapa model yang dapat dibentuk dari General Spatial Model di atas, antara lain: 1. Spatial Autoregressive Model (SAR) adalah salah satu
model spasial dengan pendekatan area dimana diasumsikan variabel dependen pada suatu wilayah berkaitan dengan variabel dependen wilayah lainnya dalam model. Model SAR terbentuk apabila ρ ≠ 0 dan λ = 0, maka modelnya menjadi:
17
y = ρWy + Xβ + ε (2.7) ( )
2. Spatial Error Model (SEM) adalah salah satu model spasial dengan pendekatan area yang diasumsikan pada error model suatu wilayah dengan wilayah lainnya terdapat korelasi spasial. Model SEM terbentuk apabila ρ = 0 dan λ ≠ 0, maka modelnya menjadi:
y = Xβ + u (2.8) u = λWu + ε ε N(0,ζ ²I).
2.3.3 Uji Dependensi Spasial Sebelum melakukan estimasi parameter model dengan
pendekatan ekonometrika spasial, maka tahap awal adalah menguji adanya ketergantungan wilayah (spatial dependency) dengan suatu uji statistik yang sesuai. Salah satu uji statistik untuk mengetahui adanya spatial dependency adalah dengan menggunakan uji Lagrange Multiplier (LM) dan robust uji Lagranger Multiplier. Untuk mengetahui apakah suatu model dikatakan model spasial lag menggunakan uji LM spatial lag sedangkan untuk mengetahui model spatial error menggunakan uji LM spatial error. 1. Pengujian dependensi spasial pada lag variabel dependen
Uji Hipotesis: 0:0 H (tidak ada dependensi lag spasial dalam model) 0:1 H (ada dependensi lag spasial pada model)
Statistik Uji:
LM ( ) )
(2.9)
robust LM = ( ) ( )
(2.10)
dengan,
18
212 '''1
WTNTT TTXWIXXXXIXWIJ
(2.11)
2. Pengujian dependensi spasial pada error Uji Hipotesis:
0:0 H (tidak ada dependensi error spasial dalam model)
0:1 H (ada dependensi error spasial pada model) Statistik Uji:
LM = ( ) )
(2.12)
robust LM = ( )
⁄ ( )
⁄ (2.13)
Keputusan: Statistik uji LM berdistribusi 2 dengan H0 ditolak jika LM >
2 . 2.3.4 Model Spasial Data Panel
Model regresi linier dengan efek spesifik spasial tetapi tanpa interaksi spasial dapat dituliskan seperti persamaan berikut:
(2.14) dengan, i = indeks untuk dimensi cross-section (unit spasial), dimana
i = 1,…,N t = indeks untuk dimensi waktu (periode waktu), dimana t=
1,…,T ity = observasi terhadap variabel dependen pada pengamatan
ke-i waktu ke-t xit = vektor baris (1,k) dari observasi variabel independen
19
β = matriks (k,1) dengan parameter yang tidak diketahui i = efek spesifik spasial
it = error yang berdistribusi dan bentuk dari observasi ke-i
dan t dengan mean 0 dan varians 2 . Ketika terdapat interaksi secara spesifik antar unit spasial, maka model mengandung spasial lag pada variabel dependen atau terdapat proses autoregresif spasial pada lag. Model spasial lag dinyatakan bahwa variabel dependen tergantung pada variabel dependen tetangga dan satu bagian dari karakteristik lokal. Berikut adalah model spasial lag:
N
jjtijit ywy
1 xit β+ iti (2.15)
Dimana, adalah koefisien autoregresif spasial dan ijw adalah elemen matrik pembobot (W) spasial. Sedangkan model spasial error dinyatakan dimana variabel dependen tergantung pada karakteristik lokal dan error yang berkorelasi antar space. Berikut adalah model spasial error:
ity xit β ,iti
N
jititijit w
1 (2.16)
Dimana it adalah autokorelasi spasial error dan adalah koefisien autokorelasi spasial.
2.3.4.1 Estimasi Model Spasial Data Panel Model spasial data panel yang akan digunakan pada
penelitian ini yaitu SAR dan SEM. Berikut ini akan dibahas mengenai prosedur estimasi MLE yang akan digunakan untuk melakukan estimasi parameter pada model-model tersebut. A. Spatial Autoregressive Model (SAR)
Pada pembahasan ini akan dipaparkan mengenai
20
modifikasi yang diperlukan untuk estimasi model fixed effects dan model random effects dengan mencakup Spatial Autoregressive Model. Diasumsikan bahwa W adalah konstan sepanjang waktu dan data yang digunakan adalah data panel seimbang (balanced panel).
1. Fixed Effect Spatial Autoregressive Model
Elhorst (2014) mengatakan bahwa parameter , δ, dan dari model spasial lag dapat diestimasi dengan Maximum Likelihood (ML) yang diawali dengan menggunakan data cross section. Prosedur estimasi ini juga dapat digunakan untuk maksimasi fungsi log-likelihood sehubungan dengan juga pada data panel. Fungsi log-likelihood dari model spasial lag jika efek spasial diasumsikan tetap adalah:
log2log2
2 TNTLogL |IN- W|-
N
i
T
t
N
jjtijit ywy
1 1 12 (
21
xit β 2)i
(2.17) Dimana bentuk turunan kedua yang mewakili bentuk Jacobian dari transformasi terhadap y mengambil bentuk endogen dari jtijj yw (Anselin, 1988).
NixywyLogLiit
T
t
N
jjtijit
i
,...,1,0)(11 1
2
(2.18)
Sehingga diperoleh estimasi,
T
t
N
jjtijiti ywy
T 1 1(1
‒ xit β), i=1,…,N. (2.19)
Dengan mensubstitusikan i pada fungsi log-likelihood dengan
memfokuskan pada , , dan 2 adalah sebagai berikut: = (X'QX)-1X'Q[Y‒ ( ITW)Y] (2.20)
Dimana Q dalam bentuk matriks sebagai berikut:
Q=INT ‒ T1
ɩTɩ'T IN, (2.21)
21
Estimasi 2 dihitung sebagai berikut:
).()'(1 *1
*0
*1
*0
2 eeeeNT
(2.22)
2. Random Effects Spatial Autoregressive Model Fungsi log-likelihood dari model spasial lag jika efek
spasial diasumsikan random adalah: log2log
22 TNTLogL |IN- W|- 2
1 1 12 )][(
21
it
N
i
T
t
N
jjtijit xyWy
(2.23) Dimanamenunjukkan transformasi variabel dependen terhadap .
,log2
)]()'(log[2
2NeeNTLogL
(2. 24) Dimana elemen e didefinisikan sebagai berikut:
.]1)1([]1)1([1)1()(11 11
T
tit
N
j
T
titjtijjtij
T
tititit x
Txyw
Tywy
Tye
(2.25) Prosedur secara iterasi menggunakan beberapa nilai parameter , , dan 2 hingga didapatkan nilai estimasi yang konvergen.
B. Spatial Error Model Pada pembahasan ini akan dipaparkan mengenai
modifikasi yang diperlukan untuk estimasi model fixed effects dan model random effects dengan mencakup Spatial Error Model. Seperti pada model SAR, diasumsikan bahwa W adalah konstan sepanjang waktu data yang digunakan adalah data panel seimbang (balanced panel).
1. Fixed Effect Spatial Error Model
Fungsi log-likelihood dari model spasial error jika efek spesifik spasial diasumsikan tetap adalah sebagai berikut:
22
|log2log2
2 TNTLogL IN‒ W|-
N
i
T
t
N
jjtijit yWy
1 1 1
*2 (][{
21
x*i t ‒
N
jijw
1[ xjt]*)β}2. (2.26)
Dengan adanya nilai , estimasi Maximum Likelihood dari
dan 2 dapat diselesaikan dengan turunan pertama kondisi maksimum, maka diperoleh: = ([X*‒ ( ITW)X*]'[X*‒ ( ITW)X*])-1×[X*‒ ( IT
W)X*]'[Y*‒ ( ITW)Y*],
NTee )()'(2
(2.27)
Dimana, )(e Y*‒ ( ITW)Y*-[X*‒ ( ITW)X*]β. Maka fungsi consentrated log-likelihood dari adalah:
|log)]()'(log[2
TeeNTLogL IN ‒ W|. (2.28)
Dengan memaksimalkan fungsi kepada , menghasilkan estimasi Maximum Likelihood untuk dengan β
dan 2 yang telah didapatkan. Prosedur secara iterative digunakan dengan beberapa nilai parameter β dan 2 sehingga didapat parameter yang konvergen.
2. Random Effect Spatial Error Model Fungi log-likelihood dari model spasial error jika efek
spesifik spasial diasumsikan random adalah sebagai berikut:
log21)2log(
22
NTLogL |V|+(T‒1)
N
i 1log |B|
221
e'(
V-1)e
'(IT-
) ( ) (2.29)
23
Adapun fungsi yang dapat diperoleh dari hasil transformasi tersebut adalah sebagai berikut:
}1)]1({[1 1 1
N
j
N
j
T
tjtijijjtijitit y
Twpywyy (2.30)
Notasi ijij pp ),( digunakan untuk menunjukkan elemen
matriks P yang tergantung pada dan . Estimasi dan 2
dengan diberikan pada dan bisa dilakukan dengan regresi
OLS antara Ydengan X
. Namun estimasi dan dengan
diberikan β dan 2 harus dilakukan secara numerik. 2.3.5 Pemilihan Pembobot Spasial
Matriks pembobot spasial (W) dapat diperoleh berdasarkan informasi jarak dari kedekatan ketetanggaan (neighborhood), atau dalam kata lain jarak antara satu wilayah dengan wilayah yang lain. Beberapa metode untuk mendefinisikan hubungan persinggungan (contiguity) antar wilayah menurut LeSage (1999) antara lain sebagai berikut: a. Linear Contiguity (persinggungan tepi). Persinggungan
tepi mendefinisikan ijw =1 untuk wilayah yang berada di tepi (edge) kiri maupun kanan wilayah yang menjadi perhatian, ijw =0 untuk wilayah lainnya.
b. Rook Contiguity (persinggungan sisi). Persinggungan sisi mendefinisikan ijw =1 untuk wilayah yang bersisian (common side) dengan wilayah yang menjadi perhatian,
ijw =0 untuk wilayah lainnya. c. Bhisop Contiguty (persinggungan sudut). Persinggungan
sudut mendefinisikan ijw =1 untuk wilayah yang titik sudutnya (common vertex) bertemu dengan sudut wilayah yang menjadi perhatian, ijw =0 untuk wilayah lainnya.
24
d. Double Linear Contiguity (persinggungan dua tepi). Persinggungan dua tepi mendefinisikan ijw =1 untuk dua wilayah yang berada di sisi (edge) kiri dan kanan wilayah yang menjadi perhatian, ijw =0 untuk wilayah lainnya.
e. Double Rook Contiguity (persinggungan dua sisi). Persinggungan dua sisi mendefinisikan ijw =1 untuk dua wilayah yang berada di kiri, kanan, utara dan selatan wilayah yang menjadi perhatian, ijw =0 untuk wilayah lainnya.
f. Queen Contiguty (persinggungan sisi-sudut). Persinggungan sisi-sudut mendefinisikan ijw =1 untuk wilayah yang bersisian (common side) atau titik sudutnya (common vertex) bertemu dengan sudut wilayah yang menjadi perhatian, ijw =0 untuk wilayah lainnya.
Selain jenis-jenis bobot contiguity diatas, sering juga digunakan jenis pembobot customize. Pembobot customize merupakan pembobot yang disusun tidak hanya memperhatikan faktor persinggungan antar wilayah tetapi juga mempertimbangkan faktor kedekatan ekonomi, infrastruktur, ataupun faktor lainnya. Nilai 1 diberikan untuk daerah yang memiliki kedekatan ekonomi, infrastruktur, ataupun faktor lainnya sedangkan nilai 0 untuk daerah yang tidak memiliki kedekatan ekonomi, infrastruktur, ataupun faktor lainnya. 2.3.6 Pengujian Signifikansi Parameter
Menurut Debarsy dan Ertur (2010) untuk menguji signifikansi dari koefisien spasial digunakan uji Likelihood Rasio (LR). Dan, Elhorst (2010) juga mengatakan bahwa pengujian Likelihood Ratio dilakukan untuk mengetahui apakah efek individu atau efek random memberikan pengaruh secara bersama-sama. Pengujian ini dilakukan dengan hipotesis sebagai berikut:
25
a. Fixed effects H0 : i ...21
H1 : 0i (minimal ada salah satu yang berbeda) b. Random effects
H0 : 1 H1 : 1 (minimal ada salah satu yang berbeda)
Uji ini didasarkan pada selisih log-likelihood understricted dan restricted, bentuk umumnya sebagai berikut:
)~()ˆ(2 LLLR (2.31) Dengan adalah parameter yang dievaluasi pada estimasi yang tidak dibatasi (understricted) dan yang dibatasi (restricted). Uji LR secara asymtotik mengikuti distribusi chi-square derajat bebas q, ).(2 q Dengan q adalah jumlah parameter yang dibatasi.
Untuk menguji koefisien spasial lag model spasial data panel fixed effect dengan hipotesis adalah:
0:0 H (tidak ada depedensi spasial lag) 0:1 H (ada depedensi spasial lag)
Dengan menggunakan LR test sebagai berikut: |[log2ˆlog~log 22 TNTLR IN- |] (2.32)
Dengan 2~ adalah varians error model restricted
(2~ =
∑
) .
2 adalah varians error model unrestricted (
2 =
∑
)
Uji ini secara asymtotik mengikuti distribusi chi-square derajat bebas 1, ).1(2
Untuk menguji koefisien spasial error model spasial data panel fixed effect dengan hipotesis adalah:
0:0 H (tidak ada depedensi spasial error)
26
0:1 H (ada depedensi spasial error) Dengan menggunakan LR test sebagai berikut:
|[log2ˆlog~log 22 TNTLR IN- |] (2.33) Uji ini secara asymtotik mengikuti distribusi chi-square derajat bebas 1, ).1(2 Untuk menguji signifikansi koefisien spasial lag dan spasial error secara bersama-sama (joint test) dengan hipotesis sebagai berikut:
0:0 H (tidak ada depedensi spasial lag dan spasial error)
0:1 H (Minimal ada satu interaksi atau dependensi spasial)
Dengan menggunakan uji LR adalah: |([log2ˆlog~log 22 TNTLRj IN- |+log|IN- |)
(2.34) Uji ini secara asymtotik mengikuti distribusi chi-square derajat bebas 2, ).2(2
2.3.7 Kriteria Kebaikan Model (Goodness of Fit) Kriteria kebaikan model pada model spasial data panel
dapat dilihat dari nilai koefisien determinasi (R²) dan corr². Koefisien determinasi (R²) adalah proporsi besarnya variasi data yang dapat diberikan atau diterangkan oleh model. Perhitungan R² untuk data panel menggunakan persamaan berikut ini (Elhorst, 2014).
2R (e ) =1-
( ) (( ) atau 2R ( )=1-
( ) (( ) (2.35)
dimana: = rata-rata keseluruhan dari variabel dependen e = vektor residual dari model e'Ωe dapat diganti dengan residual sum of square dari
27
transformed residual . Ukuran kebaikan model lainnya adalah corr² yaitu
koefisien korelasi kuadrat antara variabel dependen dengan variabel dependen taksiran. Perhitungan corr² untuk data panel menggunakan persamaan berikut ini (Elhorst, 2014).
YYYYYYYY
YYYYYYcorr
ˆˆ
ˆˆ, ''
2'2 (2.36)
Dimana adalah vektor dari nilai taksiran. Berbeda dengan R², perhitungan corr² tidak melibatkan variasi pada spasial fixed effects atau random effects.
Kedua ukuran kebaikan model untuk model spasial data panel yang berbeda dapat dilihat pada Tabel 2.1. Tabel 2.1 Ukuran Kebaikan Model Untuk Model Spasial Data Panel
Fixed Effect Spatial Lag Model R2(e, IN) e = Y ‒ (ITW)Y‒X ‒( IN ) Corr2 corr2(Y*,[INT ‒ (ITW]-1X* )
Fixed Effect Spatial Error Model R2( ) =Y- (ITW)Y-[X- (ITW)X] -( IN) Corr2 corr2( Y*, X* )
Random Effect Spatial Lag Model R2( ) = Y ‒ (IT W) Y ‒ X β Corr2 corr2(Y, [INT ‒ (IT W]-1X )
Random Effect Spatial Error Model R2( ) = Y ‒ X
Corr2 corr2( Y, X )
Sumber: Elhorst, 2014
2.3.8 Pengujian Asumsi Model Adapun pengujian yang dilakukan untuk uji asumsi
residual pada penelitian ini adalah sebagai berikut: 1. Asumsi identik atau kekonstanan varians residual
(homoskedastisitas)
28
Pendeteksian identik atau kekonstanan varians dengan metode grafis dilakukan dengan melihat scatterplot nilai prediksi (fits) dengan residual, dimana jika titik-titik tidak menyebar secara acak dan membentuk pola tertentu maka dapat dikatakan terjadi kasus heteroskedastisitas. Ada beberapa cara untuk mendeteksi adanya kasus heteroskedastisitas diantaranya sebagai berikut: a.Metode Informal : Sifat persoalan dan metode grafik b.Metode Formal : Uji Korelasi Rank-Spearman, Uji Park,
Uji Glejser, dan Uji Goldfeld-Quandt. 2. Asumsi independen atau tidak terdapat autokorelasi antar
residual Untuk melihat adanya autokorelasi antar residual
dapat dilakukan dengan cara melihat plot dari Autocorrelation Function (ACF), dimana cara ini sering digunakan dalam analisis time series. Apabila terdapat lag yang keluar dari batas-batas signifikansi, dapat disimpulkan bahwa terjadi autokorelasi atau residual tidak independen. Secara formal uji autokorelasi dilakukan dengan menggunakan statistik uji Durbin Watson. Hipotesis dari uji Durbin Watson adalah sebagai berikut: H0 : ρ = 0 (tidak terjadi autokorelasi antar residual) H1 : ρ ≠ 0 (terjadi autokorelasi antar residual) Statistik uji Durbin Watson adalah sebagai berikut:
n
i
t
tti
n
i
t
ttiti
e
eed
1 1
2,
1 2
21,, )(
(2.37)
Kriteria yang digunakan dalam uji Durbin Watson disajikan pada Tabel 2.2.
29
Tabel 2.2 Kriteria Pengambilan Keputusan Uji Durbin Watson Hipotesis Nol Keputusan Jika
Tidak ada autokorelasi positif Tidak ada autokorelasi positif Tidak ada autokorelasi negatif Tidak ada autokorelasi negatif Tidak ada autokorelasi positif maupun negatif
Tolak Tidak ada keputusan Tolak Tidak ada keputusan Gagal tolak
0 < d < dL dL ≤ d ≤ dU 4-dL < d < 4 4-dU ≤ d ≤ 4-dL dU < d < 4-dU
Sumber: Gujarati dan Porter, 2009 Selain asumsi untuk residual, pada analisis regresi juga
terdapat asumsi regresi yang harus dipenuhi yaitu tidak terjadi multikolinearitas. Uji multikolinearitas merupakan situasi adanya korelasi variabel-variabel bebas diantara satu dengan yang lainnya, yang menggambarkan hubungan antara variabel bebas tersebut lebih tinggi dari hubungan variabel bebas terhadap variabel terikat.
Menurut Setiawan dan Kusrini (2010) salah satu cara untuk mendeteksi adanya multikolinearitas dapat dilakukan dengan melihat nilai Variance Inflation Factor (VIF). VIF menunjukkan seberapa besar parameter regresi dugaan membesar di atas nilai idealnya. Langkah awal untuk memperoleh nilai VIF adalah meregresikan setiap variabel independen dengan variabel independen lainnya sehingga akan diperoleh koefisien determinasi ( ). Nilai VIF adalah dihitung dengan rumus berikut:
jj R
VIF 211
; j = 1,2,…,k (2.38)
30
Apabila nilai VIF dari variabel independen lebih besar dari 10, maka variabel tersebut dikatakan mengalami multikolinearitas. 3. Asumsi residual menyebar normal
Asumsi persyaratan normalitas harus terpenuhi untuk mengetahui apakah residual dari data berdistribusi normal. Cara pengujian normalitas salah satunya dapat dilakukan dengan Kolmogorov-Smirnov normality test dengan hipotesis sebagai berikut: H0 : data sampel berasal dari distribusi normal H1 : data sampel tidak berasal dari distribusi normal Statistik uji yang digunakan adalah D dengan D adalah: |)()(| 0 xFxFSupD nz (2.39) Dasar penolakan H0 adalah tolak H0 jika D > Dα, Dα adalah nilai kritis untuk uji Kolmogorov-Smirnov satu sampel yang diperoleh dari tabel Kolmogorov-Smirnov satu sampel. Fn(x) adalah nilai distribusi kumulatif sampel F0(x) adalah nilai distribusi kumulatif dibawah H0 (P(Z< Zi)). Apabila pengujian normalitas tidak dapat dipenuhi maka solusinya dapat dilakukan dengan: transformasi data, pendeteksian data outlier (pencilan) dan regresi bootstrap.
2.4 Model Fungsi Produksi Cobb-Douglas
Fungsi produksi yang berbentuk tidak linear berarti bahwa fungsi tidak berupa garis lurus. Namun, dengan transformasi ln, model juga dapat menjadi linear. Model fungsi Cobb-Douglas adalah sebagai berikut (Setiawan dan Kusrini, 2010).
eXXY 21
210 (2.40)
Model tersebut dapat dilinierkan menjadi linier didekati dengan pendekatan log linear (ln) sehingga modelnya dapat dituliskan menjadi:
31
)ln()ln()ln()ln( 22110 XXY (2.41)
Apabila 1100 )ln(,)ln(;)ln( XXYY serta 22 )ln( XXmaka modelnya menjadi sebagai berikut.
22110 XXY (2.42)
Model tersebut sudah linear. Sedangkan koefisien regresi merupakan besarnya elastisitas produksi, yaitu persentase perubahan output sebagai akibat berubahnya input sebesar satu persen. Secara matematika ekonomi, besaran elastisitas dapat diperoleh dengan persamaan berikut:
1
1
1x
xx AP
MPE (2.43)
1xAP adalah produk rata-rata (Average Product) untuk input yang diperoleh dari persamaan berikut:
11 X
YAPx (2.44)
Dengan demikian, persamaan elastisitas produksi untuk input adalah sebagai berikut:
⁄
⁄
⁄
⁄
(2.45)
2.5 Keterkaitan Antar Variabel pada Model Pertumbuhan
Ekonomi Model pertumbuhan ekonomi yang diterapkan pada
penelitian ini adalah model yang diusulkan Mankiw, Romer, dan Weil pada tahun 1992 (Sardadvar, 2011 dalam Utami, 2015) yang merupakan perluasan dari fungsi Cobb-Douglas dimana faktor produksi sebagai output dari pertumbuhan ekonomi dijelaskan oleh faktor modal (physical capital), tenaga kerja (labour), perkembangan teknologi (technological progress), dan sumber daya manusia (human capital).
32
Produk domestik regional bruto (PDRB) digambarkan dari faktor produksi sebagai output dari pertumbuhan ekonomi. PDRB adalah nilai keseluruhan semua barang dan jasa yang diproduksi dalam suatu wilayah dalam suatu jangka waktu tertentu (biasanya satu tahun) (BPS, 2015). Kegunaan dari PDRB adalah sebagai berikut: a. Indikator untuk mengetahui pertumbuhan ekonomi suatu
daerah. b. Alat kontrol dalam menentukan kebijakan pembangunan. c. Bahan analisis tingkat kemakmuran masyarakat dan tingkat
perubahan barang dan jasa. d. Bahan analisis produktivitas secara sektoral. Oleh karena itu, pada penelitian ini yang digunakan sebagai pendekatan (proxy) dari output pertumbuhan ekonomi adalah PDRB atas dasar harga konstan untuk mengetahui pertumbuhan ekonomi secara nyata dari tahun ke tahun dari wilayah yang menjadi objek penelitian.
Faktor produksi lainnya sebagai output dari pertumbuhan ekonomi dapat dijelaskan oleh faktor modal (physical capital). Besarnya modal (physical capital) suatu daerah dapat dilihat dari ringkasan realisasi anggaran pendapatan dan belanja daerah (APBD) dari daerah tersebut. Dari segi pendapatan daerah, modal (physical capital) dapat didekati dari besarnya pendapatan asli daerah (PAD). Pendapatan asli daerah adalah penerimaan yang berasal dari sumber-sumber pendapatan daerah yang terdiri dari pajak daerah, retribusi daerah, bagian laba BUMD, penerimaan dari dinas-dinas, dan penerimaan lain-lain (BPS, 2015). Sedangkan dari segi belanja daerah, modal (physical capital) dapat didekati dari besarnya belanja modal. Belanja modal adalah pengeluaran yang digunakan untuk pembelian/pengadaan atau pembangunan aset tetap berwujud yang nilai manfaatnya lebih dari setahun, dan atau pemakaian jasa dalam melaksanakan program dan kegiatan pemerintah daerah (BPS, 2015).
Selain faktor modal (physical capital), faktor tenaga
33
kerja (labour) merupakan faktor yang penting dalam mempengaruhi pertumbuhan ekonomi di suatu wilayah. Besarnya tenaga kerja yang dimiliki dari suatu wilayah dapat dilihat dari jumlah angkatan kerja. Angkatan kerja adalah penduduk usia kerja (15 tahun dan lebih) yang bekerja, atau punya pekerjaan namun sementara tidak bekerja dan pengangguran (BPS, 2015). Indikator ini bermanfaat untuk mengetahui jumlah penduduk yang berpotensi untuk bekerja. Oleh karena diperlukan variabel yang dapat mewakili jumlah tenaga kerja yang dimiliki oleh suatu wilayah, maka variabel yang digunakan sebagai pendekatan (proxy) dari tenaga kerja adalah jumlah penduduk umur 15 tahun ke atas yang bekerja.
Faktor penting lainnya yang mempengaruhi pertumbuhan ekonomi adalah dengan adanya perkembangan teknologi (technological progress). Perkembangan teknologi tidak dapat terlepas dari ketersediaan listrik di suatu wilayah. Terdapat beberapa penelitian mengenai hubungan antara konsumsi listrik dengan pertumbuhan ekonomi, salah satunya adalah penelitian Ciarreta dan Zarraga (2010) yang meneliti tentang hubungan kausal antara konsumsi listrik dan GDP riil pada 12 negara di Eropa menggunakan data tahunan pada periode 1970–2007. Hasil penelitian ini memperlihatkan terdapat hubungan kausal yang kuat antara konsumsi listrik dengan GDP riil. Di Indonesia, Perusahaan Listrik Negara (PLN) adalah Badan Usaha Milik Negara (BUMN) yang menjadi satu-satunya penyedia listrik utama sehingga berdasarkan definisi dari Badan Pusat Statistik (BPS), sumber listrik dibagi menjadi dua, yaitu: a. Listrik PLN adalah sumber penerangan listrik yang dikelola
oleh PLN. b. Listrik Non-PLN adalah sumber penerangan listrik yang
dikelola oleh instansi/pihak lain selain PLN termasuk yang menggunakan sumber penerangan dari accu (aki), generator, dan pembangkit listrik tenaga surya (yang tidak dikelola oleh PLN).
34
Faktor lainnya yang mempengaruhi faktor produksi sebagai output dari pertumbuhan ekonomi adalah sumber daya manusia (human capital). Menurut Romer, sumber daya manusia (human capital) didefinisikan sebagai kemampuan, keterampilan dan pengetahuan tenaga kerja. Kualitas dari sumber daya manusia dapat dilihat dari lama pendidikan yang ditempuh, sehingga variabel yang sesuai sebagai pendekatan (proxy) dari sumber daya manusia (human capital) adalah rata-rata lama sekolah. Rata-rata lama sekolah (RLS) adalah jumlah tahun belajar penduduk usia 15 tahun ke atas yang telah diselesaikan dalam pendidikan formal (tidak termasuk tahun yang mengulang) (BPS, 2015).
Berdasarkan pemaparan di atas, maka variabel dependen yaitu PDRB atas dasar harga konstan yang merupakan output dari pertumbuhan ekonomi dan variabel independen yaitu pendapatan asli daerah dan belanja modal pemerintah yang merupakan pendekatan dari faktor modal (physical capital), rumah tangga pengguna listrik bersumber dari PLN yang merupakan pendekatan dari faktor perkembangan teknologi (technological progress), rata-rata lama sekolah (RLS) yang merupakan pendekatan dari faktor sumber daya manusia (human capital) sesuai untuk digunakan dalam memodelkan pertumbuhan ekonomi kabupaten/kota di Provinsi Sumatera Utara.
35
BAB III METODOLOGI PENELITIAN
Metode penelitian membahas mengenai kerangka
konsep, sumber data, variabel penelitian, struktur data, spesifikasi model, metode analisis serta diagram alir dari metode yang akan dipergunakan. Masing-masing akan dijelaskan pada sub-bab berikut ini. 3.1 Kerangka Konsep
Pada penelitian ini, pertumbuhan ekonomi kabupaten/kota di Provinsi Sumatera Utara dimodelkan berdasarkan model pertumbuhan ekonomi Mankiw-Romer-Weil dimana faktor produksi sebagai output dari pertumbuhan ekonomi dijelaskan oleh faktor modal (physical capital), tenaga kerja (labour), perkembangan teknologi (technological progress), dan sumber daya manusia (human capital). Pemilihan variabel yang akan digunakan untuk memodelkan pertumbuhan ekonomi Provinsi Sumatera Utara berdasarkan model pertumbuhan ekonomi Mankiw-Romer-Weil, dapat dilihat pada Gambar 3.1.
Gambar 3.1 Kerangka Konsep
Faktor produksi - PDRB atas dasar harga
konstan
Faktor modal - Pendapatan asli daerah
(PAD) - Belanja modal
Faktor sumber daya manusia
- Rata-rata lama sekolah (RLS)
Faktor perkembangan teknologi
- Rumah tangga yang menggunakan sumber
penerangan listrik dari PLN
Faktor tenaga kerja
- Penduduk umur 15 tahun ke atas yang
bekerja
Faktor sumber daya manusia
- Rata-rata lama sekolah (RLS)
36
3.2 Sumber Data Penelitian ini menggunakan data sekunder yang
diperoleh dari publikasi Badan Pusat Statistik (BPS) Provinsi Sumatera Utara. Data yang digunakan adalah data tahun 2012, 2013 dan 2014 Objek penelitian adalah PDRB kabupaten dan kota, yaitu sebanyak 33 objek penelitian. Selain data PDRB, juga digunakan data dari faktor-faktor yang berpengaruh terhadap pertumbuhan PDRB secara ekonomi, yaitu pendapatan asli daerah, belanja modal, tenaga kerja, rumah tangga pengguna listrik dan rata-rata lama sekolah. 3.3 Variabel Penelitian
Adapun variabel penelitian yang digunakan terdiri dari variabel dependen dan variabel independen yang ditunjukan oleh Tabel 3.1.
Tabel 3.1 Variabel Penelitian Variabel Nama
Variabel Skala Data Satuan
Variabel Dependen Y
PDRB atas dasar harga konstan
Rasio Milyar Rupiah
Variabel Independen
X1 Pendapatan Asli Daerah Rasio Ribu rupiah
X2 Belanja Modal Rasio Ribu rupiah
X3 Tenaga Kerja Rasio Jiwa
X4
Rumah Tangga Pengguna Listrik
Rasio Persen
X5 Rata-rata Lama Sekolah Rasio Tahun
Unit cross-section pada penelitian ini adalah 33 kabupaten/kota yang ada di Provinsi Sumatera Utara yang disajikan pada Tabel 3.2.
37
Tabel 3.2 Nama Kabupaten/Kota Provinsi Sumatera Utara No Kab/kota No Kab/kota No Kab/kota No Kab/kota
1 Nias 10 Dairi 19 Batubara 26 Sibolga
2 Mandailing Natal 11 Karo 20 Padang Lawas
Utara 27 Tanjung Balai
3 Tapanuli Selatan 12 Deli
Serdang 21 Padang Lawas 28 Pematang Siantar
4 Tapanuli Tengah 13 Langkat 22 Labuhanbatu
Selatan 29 Tebing Tinggi
5 Tapanuli Utara 14 Nias
Selatan 23 Labuhanbatu Utara 30 Medan
6 Toba Samosir 15
Humbang Hasudutan
24 Nias Utara 31 Binjai
7 Labuhan Batu 16 Pakpak
Bharat 25 Nias Barat 32 Padang Sidimpuan
8 Asahan 17 Samosir 33 Gunung Sitoli
9 Simalungun 18 Serdang Berdagai
Defenisi operasional dari masing-masing variabel dependen dan independen yang digunakan dalam penelitian ini adalah sebagai berikut (BPS, 2015): 1. Y = PDRB atas dasar harga konstan (milyar rupiah)
PDRB atas dasar harga konstan adalah nilai tambah barang dan jasa yang dihitung menggunakan harga berlaku pada satu tahun tertentu sebagai dasar dan saat ini menggunakan tahun 2000. 2. X1 = Pendapatan Asli Daerah (ribu rupiah)
Pendapatan asli daerah (PAD) adalah penerimaan yang berasal dari sumber-sumber pendapatan daerah yang terdiri dari pajak daerah, retribusi daerah, bagian laba BUMD, penerimaan dari dinas-dinas dan penerimaan lain-lain. 3. X2 = Belanja Modal (ribu rupiah)
Belanja modal adalah pengeluaran yang digunakan untuk pembelian/pengadaan atau pembangunan asset tetap berwujud yang nilai manfaatnya lebih dari setahun, dan atau pemakaian jasa dalam melaksanakan program dan kegiatan pemerintah daerah.
38
4. X3 = Tenaga Kerja (jiwa) Variabel yang digunakan sebagai pendekatan (proxy)
dari tenaga kerja pada penelitian ini adalah jumlah penduduk umur 15 tahun keatas yang bekerja. 5. X4 = Rumah Tangga Pengguna Listrik (persen)
Variabel yang digunakan sebagai pendekatan (proxy) dari perkembangan teknologi adalah persentase jumlah rumah tangga menggunakan penerangan listrik bersumber dari PLN. 6. X5 = Rata-rata Lama Sekolah (tahun)
Rata-rata lama sekolah (RLS) adalah jumlah tahun belajar penduduk usia 15 tahun ke atas yang telah diselesaikan dalam pendidikan formal (tidak termasuk tahun yang mengulang). Untuk menghitung rata-rata lama sekolah dibutuhkan informasi partisipasi sekolah, jenjang dan jenis pendidikan yang pernah/sedang diduduki, ijasah tertinggi yang dimiliki dan tingkat/kelas tertinggi yang pernah/sedang diduduki.
3.4 Spesifikasi Model
Variabel yang digunakan dalam memodelkan pertumbuhan ekonomi Provinsi Sumatera Utara dimasukkan ke dalam model Mankiw-Romer-Weil, persamaan dapat dituliskan seperti berikut:
itYln itittititit XXXXX 55443322110 lnlnlnlnln 3.1)
Model yang akan dibangun pada penelitian ini terdiri dari dua model spasial yaitu SAR dan SEM. Setiap model spasial tersebut akan dimodelkan menggunakan model panel pooled, fixed effects dan random effects. Berikut ini adalah spesifikasi model yang akan dibangun:
39
1. SAR panel a. SAR pooled
itititititjtj
ijit XXXXXYwY 55443322110
33
1
ˆlnˆlnˆlnˆlnˆˆlnˆˆln
b. SAR fixed effects
iitititititjtj
ijit XXXXXYwY ˆˆlnˆlnˆlnˆlnˆlnˆˆln 5544332211
33
1
c. SAR random effects
ˆˆlnˆlnˆlnˆlnˆlnˆˆln 5544332211
33
1
itititititjtj
ijit XXXXXYwY
2. SEM panel
a. SEM pooled
,ˆlnˆlnˆlnˆlnˆlnˆˆˆln 55443322110 ititititititit XXXXXY
itj
ijit w
33
1
ˆˆ
b. SEM fixed effects
,ˆˆlnˆlnˆlnˆlnˆlnˆˆln 5544332211 itiitititititit XXXXXY
itj
ijit w
33
1
ˆˆ
c. SEM random effects ,ˆˆlnˆlnˆlnˆlnˆlnˆˆln 5544332211 ititititititit XXXXXY
itj
ijit w
33
1
ˆˆ
40
3.5 Struktur Data Struktur dari data yang digunakan dalam penelitian ini
dapat dilihat pada Tabel 3.3.
Tabel 3.3 Struktur Data
3.6 Metode Analisis
Sebelum membahas langkah-langkah analisis sesuai dengan tujuan penelitian, terlebih dahulu akan dilakukan pembahasan mengenai penentuan pembobot spasial yang akan digunakan dalam penelitian ini. Terdapat dua jenis pembobot spasial yang akan digunakan, yaitu queen contiguity dan customize. a. Queen Contiguity
Pemilihan pembobot queen contiguity (persinggungan sisi-sudut) adalah berdasarkan pertimbangan bahwa wilayah yang berdekatan akan memiliki pengaruh yang lebih besar terhadap wilayah yang menjadi perhatian. Persinggungan sisi-sudut mendefinisikan untuk wilayah yang bersisian (common side) atau titik sudutnya (common vertex) bertemu
Tahun (t) Kabupaten/ Kota (i) Y X1 X5
2012 (1) Kab. Nias (1) ln (Y)1,2012
ln (X1)1,2012
ln (X5)1,2012
2012 (33)
Kota Gunung Sitoli (33) ln (Y)33,2012
ln (X1)33,2012
ln (X5)33,2012
2013 (1) Kab. Nias (1) ln (Y)1,2013
ln (X1)1,2013
ln (X5)1,2013
2013 (33)
Kota Gunung Sitoli (33) ln (Y)33,2013
ln (X1)33,2013
ln (X5)33,2013
2014 (1) Kab. Nias (1) ln (Y)1,2014
ln (X1)1,2014
ln (X5)1,2014
2014 (33)
Kota Gunung Sitoli (33) ln (Y)33,2014
ln (X1)33,2014
ln (X5)33,2014
41
dengan wilayah yang menjadi perhatian, untuk wilayah lainnya. Sehingga pembobot queen contiquity untuk kabupaten/kota di Provinsi Sumatera Utara didefinisikan sebagai berikut:
Pada Gambar 3.2 diberikan ilustrasi wilayah yang mempunyai persinggungan pada suatu peta.
Gambar 3.2 Ilustrasi Persinggungan (Contiguity)
Matriks pembobot (W) dengan menggunakan metode Queen Contiguity berdasarkan Gambar 3.2 sebagai berikut:
Wqueen=
0110010100110000000100010
54321
54321
Baris dan kolom menyatakan region yang ada pada peta. Matriks pembobot spasial merupakan matriks simetris dengan kaidah bahwa diagonal utama selalu nol. Transformasi dilakukan untuk mendapatkan jumlah baris sama dengan satu sehingga matriks tersebut menjadi:
(1)
(2)
(3) (5)
(4)
42
05.05.0005.005.0005.05.0000
0000100010
W
b. Customize
Dalam menentukan pembobot spasial customize, yang digunakan sebagai pertimbangan adalah dengan mempertimbangkan akan adanya infrastruktur pembangunan jalan di Provinsi Sumatera Utara yaitu jalan nasional dan jalan provinsi serta dilihat juga dari segi pusat perekonomian dan administratif di Provinsi Sumatera Utara yaitu Kota Medan. Adapun pemilihan bobot untuk faktor infrastruktur dikarenakan jalan nasional dan jalan provinsi Provinsi Sumatera Utara merupakan jalan nasional dan jalan provinsi terpanjang di Indonesia sehingga memungkinkan adanya indikasi pertumbuhan ekonomi antar kabupaten/kota di Provinsi Sumatera Utara. Untuk faktor infrastruktur, jalan nasional serta jalan provinsi di Provinsi Sumatera Utara setiap kabupaten/kota yang berada dalam lintasan jalan nasional diberi nilai 1, begitu juga setiap kabupaten/kota jalan provinsi diberi nilai 1. Sedangkan kabupaten/kota yang tidak memiliki faktor infrastruktur jalan nasional dan jalan provinsi diberi nilai 0. Adapun kabupaten/kota di Provinsi Sumatera Utara yang memiliki faktor infrastruktur berupa jalan nasional yaitu Kabupaten Labuhan Batu, Kabupaten Asahan, Kabupaten Deli Serdang, Kabupaten Langkat, Kabupaten Serdang Berdagai, Kabupaten Batubara, Kabupaten Labuhanbatu Selatan, Kabupaten Labuhanbatu Utara, Kota Tebing Tinggi, Kota Binjai, dan Kota Medan. Sedangkan kabupaten/kota yang memiliki faktor infrastruktur berupa jalan provinsi yaitu Kabupaten Tapanuli Tengah, Kabupaten Tapanuli Utara,
43
Kabupaten Toba Samosir, Kabupaten Simalungun, Kabupaten Dairi, Kabupaten Karo, Kabupaten Pakpak Bharat, Kabupaten Deli Serdang, Kota Sibolga, Kota Tebing Tinggi, Kota Tanjung Balai, Kota Pematang Siantar, dan Kota Medan. Secara faktor ekonomi, Kota Medan merupakan pusat pemerintahan provinsi dan pusat perekonomian di Provinsi Sumatera Utara. Hal ini terlihat dari pesatnya setiap kegiatan perekonomian yang ada di Kota Medan dibandingkan di kabupaten/kota lainnya yang ada di Provinsi Sumatera Utara, terbukti dari PDRB Kota Medan yang tinggi dan meningkat dari tahun ke tahun. Selain itu dalam hal ketenagakerjaan, masyarakat yang berasal dari kabupaten lain di Provinsi Sumatera Utara juga menjadi tenaga kerja pada perusahaan-perusahaan yang ada di Kota Medan. Fenomena ini juga terjadi di bidang pendidikan, dimana siswa dan mahasiswa dari kabupaten lain di Provinsi Sumatera Utara bersekolah di Kota Medan karena sekolah-sekolah dan perguruan tinggi favorit berada di Kota Medan. Sehingga Kota Medan merupakan daerah urban, dimana banyak penduduknya berasal dari kabupaten lain di Provinsi Sumatera Utara yang tinggal menetap dan bekerja di Kota Medan. Berdasarkan pemaparan diatas, terdapat indikasi adanya keterkaitan dalam hal pertumbuhan ekonomi untuk faktor infrastruktur dan pusat perekonomian di kabupaten/kota ini dengan kabupaten lain di Provinsi Sumatera Utara.
Dengan mempertimbangkan karakteristik perekonomian di wilayah Provinsi Sumatera Utara sesuai pemaparan di atas, pembobot spasial customize akan dibentuk selain dari kedekatan sisi sudut seperti pada pembobot spasial queen contiguity juga akan mengasumsikan bahwa faktor infrastruktur yaitu jalan nasional dan juga jalan provinsi serta Kota Medan yang merupakan pusat perekonomian memiliki keterkaitan dengan setiap kabupaten di Provinsi Sumatera Utara sehingga antara setiap kabupaten di Provinsi Sumatera Utara dengan jalan nasional, jalan provinsi serta Kota Medan akan diberi
44
bobot 1 . Sehingga pembobot customize untuk kabupaten/kota di Sumatera Utara didefinisikan sebagai berikut:
Wcustomize=
0110110101110100100101010
54321
54321
Pada kedua pembobot akan dilakukan standarisasi dengan menggunakan metode row-normalized dimana jumlah elemen dari setiap baris akan dibuat sama dengan 1 dengan cara membagi setiap elemen pada setiap baris dengan jumlah elemen
pada baris tersebut
N
jijijnormalizedrowij WWW
1)(
.
Setelah menentukan pembobot spasial yang akan digunakan selanjutnya akan dijelaskan mengenai langkah-langkah analisis pada penelitian ini. Langkah-langkah analisis yang akan dilakukan sesuai dengan tujuan penelitian adalah sebagai berikut: 1. Mendeskripsikan sebaran atau asosiasi spasial dari kabupaten/kota di Provinsi Sumatera Utara dari segi pertumbuhan ekonomi dengan langkah-langkah sebagai berikut: a. Menghitung autokorelasi spasial dengan menggunakan
statistik Moran’s I dari setiap tahun dengan menggunakan data PDRB atas dasar harga konstan kabupaten/kota di Provinsi Sumatera Utara pada tahun 2012, 2013 dan 2014.
b. Membuat Moran’s scatterplot dari statistik Moran’s I yang diperoleh pada masing-masing tahun.
c. Menginterpretasi hasil dari Moran’s scatterplot untuk mendeskripsikan sebaran atau asosiasi spasial.
d. Melakukan langkah a–c dengan menggunakan dua pembobot spasial yang berbeda (queen contiguity dan customize).
45
Software yang digunakan pada langkah 1 adalah R, Minitab 16, dan ArcView GIS. 2. Memperoleh model pertumbuhan ekonomi di Provinsi Sumatera Utara dengan menggunakan model ekonometrika spasial panel (SAR panel dan SEM panel) dengan langkah-langkah sebagai berikut: a. Melakukan uji dependensi spasial dengan menggunakan uji
Lagrange Multiplier (LM) dan robust LM untuk lag dan error, dengan ketentuan: - apabila uji LM lag signifikan, maka model yang sesuai
adalah SAR panel - apabila uji LM error signifikan, maka model yang sesuai
adalah SEM b. Memodelkan efek panel pooled, fixed effects dan random
effects untuk setiap model spasial (SAR panel dan SEM panel).
c. Membandingkan model pooled, fixed effects dan random effects untuk setiap model spasial (SAR panel dan SEM panel) dengan uji spesifikasi Likelihood Ratio.
d. Melakukan pemilihan model terbaik dengan kriteria R², corr², σ² dan jumlah variabel yang signifikan dalam model.
e. Melakukan interpretasi model. f. Membandingkan model yang diperoleh dengan
menggunakan kedua pembobot spasial (queen contiguity dan customize) dan memilih model terbaik dengan kriteria signifikan dalam model.
Software yang digunakan pada langkah 2 adalah Matlab R2011.
46
3.7 Diagram Alir Adapun diagram alir dari penelitian ini ditunjukkan oleh
gambar berikut:
Gambar 3.3 Diagram Alir Penelitian
(Tujuan 1)
Explanatory Spatial Data Analysis
(Tujuan 2) Pemodelan
Pertumbuhan Ekonomi Provinsi
Sumatera Utara dengan Model Spasial
Data Panel
Gambaran umum variabel penelitian
Autokorelasi spasial
SAR -pooled
- fixed effects - random effects
SEM - pooled
- fixed effects - random effects
47
Gambar 3.4 Diagram Alir dari Explanatory Spatial Data Analysis
Menyiapkan data PDRB kabupaten/kota di Provinsi Sumatera Utara tahun 2012,
2013 dan 2014
Menentukan matriks pembobot
Menghitung autokorelasi spasial menggunakan statistik Moran’s I pada
setiap tahun
Membuat Moran’s Scatterplot pada setiap tahun
Menginterpretasi hasil dari Moran’s Scatterplot
48
Gambar 3.5 Diagram Alir Penelitian dari Pemodelan Pertumbuhan
Ekonomi Provinsi Sumatera Utara dengan Pendekatan Ekonometrika Spasial Data Panel
Pemilihan Model Terbaik dengan Kriteria
Interpretasi Model
Model 2 Fixed Effect SEM
Model
Model 1 Pooled SAR
Model
Model 3 Random
Effect SEM
Model
Model 1 Pooled SEM
Model
Model 2 Fixed Effect SAR
Model
Model 3 Random
Effect SAR
Model
Melakukan Uji Spesifikasi Likelihood Ratio Melakukan Uji Spesifikasi Likelihood Ratio
Explanatory Spatial Data Analysis
Model SAR Panel Model SEM Panel
Melakukan Uji Dependensi Spasial dengan Statistik Uji LM dan Robust LM (lag dan error)
LM dan Robust LM signifikan?
49
BAB IV ANALISIS DAN PEMBAHASAN
Pada bab ini akan dilakukan pembahasan mengenai hasil
dari penelitian yang telah dilakukan dalam rangka menjawab rumusan masalah pada bab pertama.
4.1 Explanatory Spatial Data Analysis (ESDA) Pada kajian pustaka telah dipaparkan bahwa Explanatory
Spatial Data Analysis (ESDA) merupakan kumpulan teknik untuk menggambarkan dan memvisualisasikan distribusi spasial, mengidentifikasi lokasi, menemukan pola asosiasi spasial (spatial cluster), dan bentuk ketidakstabilan spasial atau ketidakstasioneritasan spasial lainnya. Inti dari ESDA adalah konsep autokorelasi spasial yang mengukur korelasi variabel dengan dirinya sendiri melalui ruang. Oleh karena itu, pada sub-bab ini akan dilakukan pembahasan mengenai gambaran umum masing-masing variabel penelitian dan autokorelasi spasial antar wilayah berdasarkan pertumbuhan ekonomi kabupaten/kota di Provinsi Sumatera Utara.
4.1.1 Gambaran Umum Variabel Penelitian Faktor produksi sebagai output dari pertumbuhan ekonomi dapat digambarkan dari produk domestik regional bruto (PDRB). Variabel yang dipilih sebagai variabel dependen (y) pada penelitian ini adalah PDRB atas dasar harga konstan setiap kabupaten/kota di Provinsi Sumatera Utara. Pada Gambar 4.1 terlihat bahwa PDRB atas dasar harga konstan setiap kabupaten/kota di Provinsi Sumatera Utara mengalami peningkatan dari tahun ke tahun. Hal ini menandakan bahwa terjadi pertumbuhan nyata ekonomi kearah yang positif. PDRB tertinggi dari tahun 2012 sampai dengan tahun 2014 dihasilkan oleh Kota Medan dengan rata-rata PDRB mencapai Rp 111.151.346.700.000,00. Berdasarkan data tersebut, dapat diketahui bahwa Kota Medan merupakan pusat dari kegiatan
50
perekonomian di Provinsi Sumatera Utara. Sedangkan kabupaten/kota dengan PDRB terendah adalah Kabupaten Pakpak Bharat dengan rata-rata PDRB sebesar Rp 604.217.000.000,00.
Gambar 4.1 PDRB atas Dasar Harga Konstan Menurut
Kabupaten/Kota Provinsi Sumatera Utara Tahun 2012–2014 (Milyar Rupiah)
Persebaran PDRB atas dasar harga konstan Provinsi Sumatera Utara pada tahun 2014 dapat dilihat pada Gambar 4.2. Berdasarkan peta pada Gambar 4.2, terlihat bahwa terdapat tiga kelompok kabupaten/kota berdasarkan besarnya PDRB atas dasar harga konstan dari masing-masing kabupaten/kota. Kelompok pertama yaitu kelompok kabupaten/kota dengan PDRB rendah yaitu Kabupaten Pakpak Barat, Kabupaten Nias Barat, Kabupaten Nias Utara, Kabupaten Nias, Kabupaten Samosir, Kota Gunung Sitoli, Kota Sibolga, Kota Tebing Tinggi, Kota Padang Sidimpuan, Kabupaten Humbang Hasudutan dan Kabupaten Nias Selatan dengan PDRB berkisar diantara Rp 639.240.000.000,00 – Rp 3.356.630.000.000,00. Kelompok kedua yaitu kelompok kabupaten/kota dengan PDRB menengah yaitu Kabupaten Toba Samosir, Kota Tanjung Balai, Kabupaten Tapanuli Utara, Kabupaten Dairi,
020000400006000080000
100000120000140000
PDRB Atas Dasar Harga Konstan (Y)
2012
2013
2014
51
Kabupaten Tapanuli Tengah, Kabupaten Padang Lawas, Kota Binjai, Kabupaten Padang Lawas Utara, Kabupaten Mandailing Natal, Kabupaten Tapanuli Selatan dan Kota Pematang Siantar dengan PDRB berkisar antara Rp 4.355.220.000.000,00 – Rp 7.596.870.000.000,00. Dan terakhir, kelompok ketiga yaitu kabupaten/kota dengan PDRB tinggi yaitu Kabupaten Karo, Kabupaten Labuhanbatu Utara, Kabupaten Labuhanbatu Selatan, Kabupaten Serdang Berdagai, Kabupaten Labuhan Batu, Kabupaten Batubara, Kabupaten Asahan, Kabupaten Simalungun, Kabupaten Langkat, Kabupaten Deli Serdang dan Kota Medan dengan PDRB berkisar diantara Rp 11.326.400.000.000,00 – Rp 117.498.600.000.000,00.
Gambar 4.2 Peta Persebaran PDRB atas Dasar Harga Konstan
Provinsi Sumatera Utara Tahun 2014 Faktor produksi sebagai output dari pertumbuhan ekonomi salah satunya dapat dijelaskan oleh faktor modal (physical capital). Besarnya modal (physical capital) suatu
52
daerah dapat dilihat dari ringkasan realisasi anggaran pendapatan dan belanja daerah (APBD) dari daerah tersebut. Dari segi pendapatan daerah, modal (physical capital) dapat didekati dari besarnya pendapatan asli daerah (PAD). Variabel pendapatan asli daerah (X1) dari masing-masing kabupaten/kota di Provinsi Sumatera Utara digambarkan pada Gambar 4.3. Gambar 4.3 memperlihatkan bahwa terjadi ketimpangan yang cukup besar antara PAD Kota Medan dengan kabupaten/kota lainnya. Rata-rata PAD Kota Medan dari tahun 2012 sampai 2014 mencapai Rp 1.379.361.610.000,00. Ketimpangan PAD ini terjadi karena keberadaan Kota Medan sebagai pusat perekonomian di Provinsi Sumatera Utara. Sedangkan kabupaten/kota yang memiliki PAD terendah di Provinsi Sumatera Utara dari tahun 2012 sampai 2014 ialah Kabupaten Nias Barat yaitu sebesar Rp Rp 774.123.033.000,00.
Gambar 4.3 Pendapatan Asli Daerah (PAD) Menurut
Kabupaten/Kota Provinsi Sumatera Utara Tahun 2012–2014 (Ribu Rupiah)
Persebaran pendapatan asli daerah Provinsi Sumatera Utara pada tahun 2014 dapat dilihat pada Gambar 4.4. Berdasarkan peta pada Gambar 4.4, terlihat bahwa terdapat tiga
0200000000400000000600000000800000000
1E+091.2E+091.4E+091.6E+09
Pendapatan Asli Daerah (X1)
2012
2013
2014
53
kelompok kabupaten/kota berdasarkan besarnya pendapatan asli daerah masing-masing kabupaten/kota. Kelompok pertama yaitu kelompok kabupaten/kota dengan pendapatan asli daerah rendah yaitu Kabupaten Nias Barat, Kabupaten Pakpak Bharat, Kabupaten Nias Utara, Kabupaten Toba Samosir, Kabupaten Padang Lawas, Kabupaten Samosir, Kabupaten Dairi, Kabupaten Humbang Hasudutan, Kota Gunung sitoli, Kabupaten Labuhanbatu Utara, dan Kabupaten Batubara dengan pendapatan asli daerah berkisar diantara Rp 10.000.000.000,00 – Rp 29.448.278.000,00. Kelompok kedua yaitu kelompok kabupaten/kota dengan pendapatan asli daerah menengah yang berkisar diantara Rp 32.447.192.000,00 – Rp 57.806.708.000,00. Kabupaten/kota yang masuk kedalam kelompok ini adalah Kabupaten Tapanuli Tengah, Kabupaten Padang Lawas Utara, Kota Tanjung Balai, Kabupaten Labuhanbatu Selatan, Kota Sibolga, Kabupaten Tapanuli Utara, Kota Padang Sidimpuan, Kabupaten Nias, Kota Tebing Tinggi, Kabupaten Mandailing Natal dan Kota Pematang Siantar. Terakhir, kelompok ketiga yaitu kelompok kabupaten/kota dengan pendapatan asli daerah tinggi yang berkisar antara Rp 59.129.771.000,00 – Rp 1.515.685.947.000,00. Kabupaten/kota yang masuk dalam kelompok ini adalah Kabupaten Asahan, Kabupaten Serdang Berdagai, Kabupaten Karo, Kota Binjai, Kabupaten Nias Selatan, Kabupaten Tapanuli Selatan, Kabupaten Labuhan Batu, Kabupaten Simalungun, Kabupaten Langkat, Kabupaten Deli Serdang, dan Kota Medan.
54
Gambar 4.4 Peta Persebaran Pendapatan Asli Daerah Provinsi
Sumatera Utara Tahun 2014 Dari segi belanja daerah, faktor modal (physical capital)
dapat didekati dari besarnya belanja modal. Besarnya belanja modal (X2) dari masing-masing kabupaten/kota di Provinsi Sumatera Utara dari tahun 2012 sampai dengan 2014 dapat dilihat pada Gambar 4.5. Pengeluaran Kota Medan untuk belanja modal tertinggi di Provinsi Sumatera Utara dari tahun 2012 sampai dengan 2014 dengan rata-rata Rp 820.104.273.300,00, hal ini sejalan dengan tingginya pendapatan Kota Medan. Dan kabupaten/kota yang memiliki belanja modal terendah dari tahun 2012 sampai dengan 2014 ialah Kota Padang Sidimpuan dengan rata-rata Rp 89.530.264.000,00.
55
Gambar 4.5 Belanja Modal Menurut Kabupaten/Kota Provinsi
Sumatera Utara Tahun 2012–2014 (Ribu Rupiah) Persebaran belanja modal Provinsi Sumatera Utara pada
tahun 2014 dapat dilihat pada Gambar 4.6. Berdasarkan peta pada Gambar 4.6, terlihat bahwa terdapat tiga kelompok kabupaten/kota berdasarkan besarnya belanja modal dari masing-masing kabupaten/kota. Kelompok pertama yaitu kelompok kabupaten/kota dengan jumlah belanja modal rendah dengan jumlah belanja modal berkisar diantara Rp 99.387.780.000,00 – Rp 150.599.999.000,00. Kabupaten/kota yang masuk kedalam kelompok ini adalah Kota Padang Sidimpuan, Kabupaten Toba Samosir, Kota Sibolga, Kabupaten Tapanuli Utara, Kabupaten Dairi, Kabupaten Padang Lawas, Kabupaten Padang Lawas Utara, Kota Pematang Siantar, Kabupaten Nias Utara, Kabupaten Batubara, dan Kota Tebing Tinggi. Kelompok kedua yaitu kelompok kabupaten/kota dengan jumlah belanja modal menengah yang berkisar diantara Rp 154.985.071.000,00 – Rp 202.663.500.000,00 yaitu Kabupaten Mandailing Natal, Kabupaten Pakpak Bharat, Kabupaten Labuhanbatu Utara, Kabupaten Nias Barat, Kabupaten Nias, Kabupaten Asahan, Kabupaten Humbang Hasudutan, Kota Gunung Sitoli, Kota Tanjung Balai, Kabupaten Labuhan Batu, dan Kabupaten
0200000000400000000600000000800000000
1E+091.2E+09
Belanja Modal (X2)
2012
2013
2014
56
Samosir. Terakhir, kelompok ketiga yaitu kelompok kabupaten/kota dengan jumlah belanja modal tinggi yang berkisar diantara Rp 207.484.856.000,00 – Rp 956.334.028.000,00 yaitu Kota Binjai, Kabupaten Karo, Kabupaten Serdang Berdagai, Kabupaten Labuhanbatu Selatan, Kabupaten Tapanuli Selatan, Kabupaten Nias Selatan, Kabupaten Langkat, Kabupaten Tapanuli Tengah, Kabupaten Simalungun, Kabupaten Deli Serdang, dan Kota Medan.
Gambar 4.6 Peta Persebaran Belanja Modal Provinsi Sumatera
Utara Tahun 2014 Selain faktor modal (physical capital), faktor tenaga
kerja (labour) merupakan faktor yang peting dalam mempengaruhi pertumbuhan ekonomi di suatu wilayah. Variabel yang dapat mewakili jumlah tenaga kerja yang dimiliki oleh suatu wilayah adalah jumlah penduduk umur 15 tahun ke atas yang bekerja (X3). Jumlah penduduk umur 15 tahun ke atas yang bekerja tertinggi ditempati oleh Kota Medan
57
pada tiga tahun terakhir, yaitu ada sebanyak 879.462 jiwa. Hal itu sangat wajar karena Kota Medan merupakan pusat perekonomian di Provinsi Sumatera Utara. Sedangkan kabupaten dengan rata-rata jumlah penduduk umur 15 tahun ke atas yang bekerja terendah per tahunnya adalah Kabupaten Pakpak Bharat yaitu sebanyak 22.757 jiwa.
Gambar 4.7 Tenaga Kerja Menurut Kabupaten/Kota Provinsi
Sumatera Utara Tahun 2012–2014 (Tahun) Persebaran jumlah penduduk umur 15 tahun keatas
yang bekerja di Provinsi Sumatera Utara pada tahun 2014 dapat dilihat pada Gambar 4.8. Berdasarkan peta pada Gambar 4.8, diketahui terdapat tiga kelompok kabupaten/kota berdasarkan jumlah penduduk umur 15 tahun keatas yang bekerja, yaitu kelompok kabupaten/kota dengan jumlah penduduk umur 15 tahun keatas yang bekerja rendah terdapat pada Kabupaten Pakpak Bharat, Kota Sibolga, Kabupaten Nias Barat, Kota Gunung Sitoli, Kota Tanjung Balai, Kabupaten Nias Utara, Kota Tebing Tinggi, Kabupaten Samosir, Kabupaten Nias, Kabupaten Toba Samosir dan Kota Pematang Siantar dengan jumlah penduduk umur 15 tahun keatas yang bekerja berkisar diantara 23.685 – 91.802 jiwa. Kelompok kedua yaitu kelompok kabupaten/kota dengan jumlah penduduk umur 15 tahun keatas yang bekerja menengah yaitu Kabupaten Padang
0200000400000600000800000
1000000
Tenaga Kerja (X3)
2012
2013
2014
58
Lawas, Kabupaten Padang Sidimpuan, Kabupaten Padang Lawas Utara, Kabupaten Humbang Hasudutan, Kota Binjai, Kabupaten Labuhanbatu Selatan, Kabupaten Tapanuli Selatan, Kabupaten Labuhanbatu Utara, Kabupaten Batubara, Kabupaten Tapanuli Tengah, dan Kabupaten Dairi dengan jumlah penduduk umur 15 tahun keatas yang bekerja berkisar diantara 91.862 – 148.471 jiwa. Terakhir, kabupaten/kota berdasarkan jumlah penduduk umur 15 tahun keatas yang bekerja tinggi dari masing-masing kabupaten/kota. Adapun kabupaten/kota dengan jumlah penduduk umur 15 tahun keatas yang bekerja tinggi yaitu Kabupaten Tapanuli Utara, Kabupaten Nias Selatan, Kabupaten Labuhan Batu, Kabupaten Mandailing Natal, Kabupaten Karo, Kabupaten Serdang Berdagai, Kabupaten Asahan, Kabupaten Simalungun, Kabupaten Langkat, Kabupaten Deli Serdang dan Kota Medan dengan jumlah penduduk umur 15 tahun keatas yang bekerja berkisar diantara 155.099 – 882.514 jiwa.
Gambar 4.8 Peta Persebaran Jumlah Penduduk Umur 15 Tahun
Keatas yang Bekerja Menurut Kabupaten/Kota Provinsi Sumatera Utara Tahun 2012–2014
59
Perkembangan teknologi (technological progress) merupakan faktor penting lainnya yang mempengaruhi pertumbuhan ekonomi. Mengingat perkembangan teknologi tidak dapat terlepas dari ketersediaan listrik di suatu wilayah, maka persentase rumah tangga pengguna listrik bersumber dari PLN akan digunakan sebagai pendekatan (proxy) dari perkembangan teknologi. Pada Gambar 4.9 terlihat bahwa Kota Tebing Tinggi dan Kota Medan merupakan daerah dimana rumah tangga yang menggunakan sumber penerangan listrik paling tinggi dengan rata-rata pengguna listrik per tahunnya masing-masing sebanyak 99,89% dan 99,86% rumah tangga. Sedangkan Kabupaten Nias merupakan kabupaten dengan rumah tangga yang menggunakan sumber penerangan listrik paling rendah dengan rata-rata pengguna listrik per tahunnya sebanyak 47,24% rumah tangga.
Gambar 4.9 Rumah Tangga yang Menggunakan Sumber Penerangan
Listik PLN Menurut Kabupaten/Kota Provinsi Sumatera Utara Tahun 2012–2014 (Persen)
Persebaran rumah tangga yang menggunakan sumber
penerangan listrik (PLN) pada tahun 2014 dapat dilihat pada Gambar 4.10. Berdasarkan peta pada Gambar 4.10, terlihat
020406080
100120
Rumah Tangga Pengguna Listrik PLN (X4)
2012
2013
2014
60
bahwa terdapat tiga kelompok kabupaten/kota berdasarkan besarnya rumah tangga yang menggunakan sumber penerangan listrik (PLN) dari masing-masing kabupaten/kota. Kelompok pertama yaitu kelompok kabupaten/kota dengan rumah tangga yang menggunakan sumber penerangan listrik (PLN) kategori rendah yaitu Kabupaten Nias Selatan, Kabupaten Nias, Kabupaten Nias Utara, Kabupaten Nias Barat, Kabupaten Padang Lawas Utara, Kabupaten Padang Lawas, Kabupaten Mandailing Natal, Kabupaten Labuhanbatu Selatan, Kabupaten Pakpak Bharat, Kabupaten Tapanuli Selatan, dan Kabupaten Labuhanbatu Utara dengan jumlah berkisar diantara 46,3% – 91,14% rumah tangga. Kelompok kedua yaitu kelompok kabupaten/kota dengan rumah tangga yang menggunakan sumber penerangan listrik (PLN) kategori menengah yaitu Kota Gunung Sitoli, Kabupaten Toba Samosir, Kabupaten Dairi, Kabupaten Tapanuli Tengah, Kabupaten Labuhan Batu, Kabupaten Simalungun, Kabupaten Langkat, Kabupaten Tapanuli Utara, Kabupaten Padang Sidimpuan, Kabupaten Asahan, dan Kabupaten Karo dengan jumlah berkisar diantara 92,37% – 95,82% rumah tangga. Terakhir, kelompok ketiga yaitu kabupaten/kota dengan rumah tangga yang menggunakan sumber penerangan listrik (PLN) kategori tinggi dengan jumlah berkisar diantara 96,45% – 100% rumah tangga. Kabupaten/kota yang masuk yang masuk ke dalam kelompok ini adalah Kabupaten Samosir, Kabupaten Batubara, Kabupaten Humbang Hasudutan, Kota Tanjung Balai, Kota Sibolga, Kabupaten Serdang Berdagai, Kota Binjai, Kabupaten Deli Serdang, Kota Pematang Siantar, Kota Medan dan Kota Tebing Tinggi.
61
Gambar 4.10 Peta Persebaran Rumah Tangga yang Menggunakan
Sumber Penerangan Listik Provinsi Sumatera Utara Tahun 2014 (Rumah Tangga)
Sumber daya manusia (human capital) adalah faktor
lainnya yang mempengaruhi faktor produksi sebagai output dari pertumbuhan ekonomi. Kualitas dari sumber daya manusia dapat dilihat dari lama pendidikan yang ditempuh, maka dari itu variabel yang digunakan sebagai pendekatan (proxy) dari sumber daya manusia (human capital) pada penelitian ini adalah rata-rata sekolah (X5). Dari Gambar 4.11, terlihat bahwa Kota Medan merupakan daerah dimana rata-rata lama sekolah paling tinggi dengan rata-rata lama sekolah menamatkan wajib belajar 9 tahun menuju jenjang yang lebih tinggi. Sedangkan Kabupaten Nias Selatan merupakan kabupaten dengan rata-rata lama sekolah penduduknya hanya sampai menamatkan wajib belajar 9 tahun atau bahkan kurang dari itu di Provinsi Sumatera Utara.
62
Gambar 4.11 Rata-rata Lama Sekolah Menurut Kabupaten/Kota
Provinsi Sumatera Utara Tahun 2012–2014 (Tahun)
Persebaran rata-rata lama sekolah Provinsi Sumatera Utara pada tahun 2014 dapat dilihat pada Gambar 4.12. Berdasarkan peta pada Gambar 4.12, terlihat bahwa rata-rata lama sekolah dikelompokkan menjadi tiga kelompok. Kelompok pertama yaitu kelompok kabupaten/kota dengan dimana rata-rata lama sekolah penduduknya menamatkan dibawah wajib belajar 9 tahun yaitu Kabupaten Nias Selatan, Kabupaten Nias, Kabupaten Nias Barat, Kabupaten Nias Utara, Kabupaten Mandailing Natal, Kabupaten Tapanuli Tengah, Kabupaten Batubara, Kabupaten Langkat, Kabupaten Asahan, Kabupaten Serdang Berdagai dan Kabupaten Padang Lawas. Kelompok kedua yaitu kelompok kabupaten/kota dengan dimana rata-rata lama sekolah penduduknya hanya sampai menamatkan wajib belajar 9 tahun atau kurang dari itu yaitu Kota Gunung Sitoli, Kabupaten Tapanuli Selatan, Kabupaten Labuhanbatu Utara, Kabupaten Pakpak Bharat, Kabupaten Padang Lawas Utara, Kabupaten Samosir, Kabupaten Dairi, Kabupaten Labuhanbatu Selatan, Kabupaten Labuhan Batu, Kabupaten Simalungun, dan Kabupaten Humbang Hasudutan. Dan kelompok ketiga yaitu kelompok kabupaten/kota dimana rata-rata lama sekolah penduduknya telah menamatkan wajib
02468
1012
Rata-rata Lama Sekolah (X5)
2012
2013
2014
63
belajar 9 tahun menuju jenjang pendidikan yang lebih tinggi yaitu Kota Tanjung Balai, Kabupaten Tapanuli Utara, Kabupaten Karo, Kabupaten Deli Serdang, Kota Binjai, Kabupaten Toba Samosir, Kota Sibolga, Kota Tebing Tinggi, Kabupaten Padang Sidimpuan, Kota Pematang Siantar dan Kota Medan.
Gambar 4.12 Peta Persebaran Rata-rata Lama Sekolah Menurut
Kabupaten/Kota Provinsi Sumatera Utara Tahun 2012–2014 (Tahun)
Hubungan antara variabel dependen yaitu PDRB atas
dasar harga konstan dan masing-masing variabel independen dapat dilihat pada Gambar 4.13. Berdasarkan scatterplot pada Gambar 4.13 dapat dilihat bahwa terdapat hubungan yang positif antara PDRB (Y) dengan semua variabel independen. Hal ini menandakan bahwa pertumbuhan ekonomi kabupaten/kota di Provinsi Sumatera Utara yang diwakili oleh variabel PDRB (Y) akan meningkat seiring kenaikan dari faktor modal yang diwakili oleh variabel pendapatan asli daerah (X1) dan belanja modal (X2), faktor tenaga kerja yang diwakili oleh
64
variabel jumlah penduduk umur 15 tahun ke atas yang bekerja (X3), faktor perkembangan teknologi yang diwakili oleh variabel rumah tangga yang menggunakan sumber penerangan listrik (X4), dan faktor sumber daya manusia yang diwakili oleh variabel rata-rata lama sekolah (X5).
20.017.515.0 21.019.518.0 141210
12.0
10.5
9.0
7.5
6.0
4.54.23.9
12.0
10.5
9.0
7.5
6.0
2.52.01.5
X1
Y
X2 X3
X4 X5
Scatterplot of Y vs X1, X2, X3, X4, X5
Gambar 4.13 Scatterplot antara Variabel Dependen dengan masing-masing Variabel Independen
Adanya hubungan yang positif antara variabel dependen dengan masing-masing variabel independen juga diperkuat dengan melihat korelasi antara masing-masing variabel independen dengan variabel dependen seperti pada Tabel 4.1 di bawah ini. Tabel 4.1 Korelasi Pearson antara Variabel Dependen dengan
Variabel Independen Variabel PDRB (Y)
Pendapatan Asli Daerah (X1) 0,800
(0,000)
Belanja Modal (X2) 0,635
(0,000)
Tenaga Kerja (X3) 0,905
(0,000)
Rumah Tangga Pengguna Listrik (X4) 0,432
(0,000)
Rata-rata Lama Sekolah (X5) 0,349
(0,000)
65
Berdasarkan korelasi Pearson pada Tabel 4.1, terlihat bahwa terdapat korelasi positif yang signifikan (pada α=5%) antara semua variabel independen dengan variabel dependen.
4.1.2 Autokorelasi Spasial
Pada Bab 2 telah dipaparkan bahwa inti dari ESDA adalah konsep autokorelasi spasial yang mengukur korelasi variabel dengan dirinya sendiri melalui ruang. Autokorelasi spasial dapat dideteksi dengan melihat nilai indeks Moran (Moran’s I) dari variabel yang diamati. Hasil perhitungan indeks Moran dari data PDRB kabupaten/kota di Provinsi Sumatera Utara menggunakan dua pembobot spasial yang berbeda, yaitu queen contiguity dan customize disajikan pada Tabel 4.2.
Tabel 4.2 Hasil Perhitungan Indeks Moran (Moran’s I) PDRB atas
Dasar Harga Konstan Menurut Kabupaten/Kota Provinsi Sumatera Utara Tahun 2012–2014 dengan Pembobot Queen Contiguity
Queen Contiguity Tahun I E(I) Var (I) Z(I) p-value Pola
2012 0,4269 -0,0312 0,0081 5,0877 3,62e-07 Mengelompok
(clustering)
2013 0,4373 -0,0312 0,0083 5,1298 2,9e-07 Mengelompok
(clustering)
2014 0,4423 -0,0312 0,0084 5,1643 2,41e-07 Mengelompok
(clustering) Dari hasil perhitungan indeks Moran PDRB dengan
pembobot queen contiguity pada Tabel 4.2 dapat disimpulkan bahwa terjadi autokorelasi spasial antar kabupaten/kota di Provinsi Sumatera Utara terlihat dari uji signifikansi indeks Moran yang signifikan pada α = 5%. Hal ini mengindikasikan bahwa dari tahun 2012 sampai tahun 2014 pertumbuhan ekonomi suatu kabupaten/kota berkaitan dengan pertumbuhan ekonomi dari kabupaten/kota lainnya di Provinsi Sumatera Utara. Indeks Moran yang bernilai positif menyatakan bahwa
66
terbentuk pola mengelompok (clustering) dimana pertumbuhan ekonomi yang sama terjadi pada wilayah yang berdekatan.
Gambar 4.14 Moran’s Scatterplot PDRB atas Dasar Harga Konstan
Menurut Kabupaten/Kota Provinsi Sumatera Utara Tahun 2012–2014 dengan Pembobot Queen Contiguity
Moran’s scatterplot pada Gambar 4.14 memperlihatkan
bahwa dengan menggunakan pembobot queen contiguity terdapat dua kabupaten/kota yang berdekatan, yaitu Kota Medan dan Kabupaten Deli Serdang berada di kuadran I. Apabila amatan berada di kuadran I maka terdapat indikasi terjadi pengelompokan (clustering), yang berarti terjadi
0e+00 2e+04 4e+04 6e+04 8e+04 1e+05
010
000
2000
030
000
4000
0
PDRB2012
spati
ally l
agge
d PDR
B201
2
Deli Serdang
Medan
Binjai
0e+00 2e+04 4e+04 6e+04 8e+04 1e+05
010
000
2000
030
000
4000
050
000
PDRB2013
spati
ally l
agge
d PDR
B201
3
Deli Serdang
Medan
Binjai
0 20000 40000 60000 80000 100000 120000
010
000
2000
030
000
4000
050
000
PDRB2014
spati
ally l
agge
d PDR
B201
4
Deli Serdang
Medan
Binjai
67
autokorelasi spasial positif dimana Kota Medan dan Kabupaten Deli Serdang beserta empat kabupaten/kota lainnya yang memiliki PDRB yang cukup tinggi dikelilingi oleh kabupaten yang memiliki PDRB yang tinggi pula. Kota Binjai berada di Kuadran II. Apabila amatan berada di kuadran II maka terdapat indikasi terjadi penyebaran (dispersion). Hal ini berarti terjadi autokorelasi negatif dimana lima kabupaten/kota tersebut memiliki PDRB cenderung rendah dikelilingi oleh kabupaten/kota dengan PDRB yang tinggi. Seperti pada kuadran I, apabila amatan berada di kuadran III maka terdapat indikasi terjadi pengelompokan (clustering). Hal ini menunjukkan bahwa terjadi autokorelasi spasial positif dimana ada sebanyak 16 kabupaten/kota tersebut yang memiliki PDRB yang cenderung rendah dikelilingi oleh kabupaten/kota dengan PDRB yang rendah pula. Ada sebanyak empat kabupaten/kota yang berada di kuadran IV. Apabila amatan berada di kuadran IV maka terdapat indikasi terjadi penyebaran (dispersion). Hal ini berarti terjadi autokorelasi negatif dimana keempat kabupaten/kota yang memiliki PDRB yang cukup tinggi dikelilingi oleh kabupaten/kota dengan PDRB yang cenderung rendah.
Tabel 4.3 Hasil Perhitungan Indeks Moran (Moran’s I) PDRB atas
Dasar Harga Konstan Menurut Kabupaten/Kota Provinsi Sumatera Utara Tahun 2012–2014 dengan Pembobot Customize
Customize Tahun I E(I) Var (I) Z(I) p-value Pola
2012 -0,7713 -0,0312 0,0063 -9,3153 < 2,2e-16 Menyebar (dispersion)
2013 -0,7643 -0,0312 0,0063 -9,1996 < 2,2e-16 Menyebar (dispersion)
2014 -0,7611 -0,0312 0,0063 -9,1526 < 2,2e-16 Menyebar (dispersion))
Dari hasil perhitungan indeks Moran PDRB dengan pembobot customize pada Tabel 4.3 dapat disimpulkan bahwa terjadi autokorelasi spasial antar kabupaten/kota di Provinsi
68
Sumatera Utara pada tahun 2012 sampai dengan 2014 terlihat dari uji signifikansi indeks Moran yang signifikan pada α = 5%. Hal ini mengindikasikan bahwa pada tahun 2012 sampai dengan 2014 pertumbuhan ekonomi suatu kabupaten/kota berkaitan dengan pertumbuhan ekonomi dari kabupaten/kota lainnya di Provinsi Sumatera Utara. Indeks Moran yang bernilai negatif menyatakan bahwa terbentuk pola menyebar (dispersion) dimana pertumbuhan ekonomi yang berbeda terjadi pada wilayah yang berdekatan.
Gambar 4.15 Moran’s Scatterplot PDRB atas Dasar Harga Konstan
Menurut Kabupaten/Kota Provinsi Sumatera Utara Tahun 2012–2014 dengan Pembobot Customize
Pada Moran’s scatterplot (Gambar 4.15) menggunakan
pembobot customize terlihat bahwa tidak terdapatnya
0e+00 2e+04 4e+04 6e+04 8e+04 1e+05
2e+0
44e
+04
6e+0
48e
+04
1e+0
5
PDRB2012
spati
ally l
agge
d PDR
B201
2
Deli Serdang
Medan
0e+00 2e+04 4e+04 6e+04 8e+04 1e+05
2e+0
44e
+04
6e+0
48e
+04
1e+0
5
PDRB2013
spati
ally la
gged
PDRB
2013
Deli Serdang
Medan
0 20000 40000 60000 80000 100000
2000
040
000
6000
080
000
1200
00
PDRB2014
spatial
ly lag
ged P
DRB2
014
Deli Serdang
Medan
69
kabupaten/kota yang berada di kuadran I, yang mengindikasikan pada amatan yang berada di kuadran I, tidak terdapat indikasi terjadi pengelompokan (clustering), yang berarti tidak terjadi autokorelasi spasial positif. Apabila amatan berada di kuadran II maka terdapat indikasi terjadi penyebaran (dispersion). Hal ini berarti terjadi autokorelasi spasial negatif dimana keenam kabupaten/kota tersebut yang memiliki PDRB cenderung rendah dikelilingi oleh kabupaten/kota dengan PDRB yang tinggi. Seperti pada kuadran I, apabila amatan berada di kuadran III maka terdapat indikasi terjadi pengelompokan (clustering). Hal ini menunjukkan bahwa terjadi autokorelasi spasial positif dimana ada sebanyak 18 kabupaten/kota yang memiliki PDRB yang cenderung rendah dikelilingi oleh kabupaten dengan PDRB yang rendah pula. Kota Medan dan Kabupaten Deli Serdang berada pada Kuadran IV. Apabila amatan berada di kuadran IV maka terdapat indikasi terjadi penyebaran (dispersion). Hal ini berarti terjadi autokorelasi negatif dimana kesembilan kabupaten/kota yang memiliki PDRB yang cukup tinggi dikelilingi oleh kabupaten/kota dengan PDRB yang cenderung rendah.
4.2 Pemodelan Pertumbuhan Ekonomi dengan Model
Ekonometrika Spasial Data Panel Pada sub-bab sebelumnya telah ditunjukkan bahwa
terdapat indikasi adanya autokorelasi spasial antar kabupaten/kota di Provinsi Sumatera Utara dalam hal pertumbuhan ekonomi, namun diperlukan penggunaan data panel pada unit cross section sehingga pada sub-bab ini akan dilakukan pemodelan terhadap pertumbuhan ekonomi kabupaten/kota di Provinsi Sumatera Utara dengan pendekatan ekonometrika spasial data panel.
4.2.1 Pengujian Dependensi Spasial
Langkah pertama sebelum memodelkan pertumbuhan ekonomi kabupaten/kota di Provinsi Sumatera Utara adalah
70
melakukan pengujian spatial dependency (ketergantungan wilayah) dengan menggunakan uji Lagrange Multiplier (LM) dan Robust Lagrange Multiplier (Robust LM) untuk melihat apakah dependensi spasial terjadi pada variabel dependen atau pada error model. Hasil pengujian dependensi spasial disajikan pada Tabel 4.4.
Tabel 4.4 Uji Dependensi Spasial
Queen Comtiguity
Uji LM Pooled Spasial Fixed Effect Spasial random
effect
LM P-value LM P-value LM P-value
LM lag 27,6744 0,000 105,2726 0,000 0,7308 0,393 LM error 10,1583 0,001 57,7594 0,000 0,1597 0,689
Robust LM Lag 23,8433 0,000 56,7736 0,000 0,6594 0,417
Robust LM error
6,3252 0,012 9,2604 0,002 0,0883 0,766
Customize
Uji LM Pooled Spasial Fixed Effect Spasial random
effect
LM P-value LM P-value LM P-value
LM lag 1,3967 0,237 106, 6722 0,000 0,1488 0,700 LM error 2,5831 0,108 47,2538 0,000 0,0320 0,858
Robust LM Lag 1,3319 0,248 61,1422 0,000 0,1350 0,713
Robust LM error
2,5183 0,113 1,7239 0,189 0,0183 0,892
Berdasarkan Tabel 4.4, hasil uji LM dengan
menggunakan pembobot spasial queen contiguity, menunjukkan bahwa dengan α=5% terjadi dependensi spasial lag dan error model baik pada pooled regression dan spatial fixed effects. Hal ini diperkuat juga dengan hasil uji Robust LM, yang terjadi dependensi spasial lag dan error model baik pada model pooled regression maupun spatial fixed effects.
71
Akan tetapi untuk spatial random effects, tidak ada model spasial yang signifikan dengan α=5%. Sedangkan hasil uji LM dan Robust LM dengan menggunakan pembobot spasial customize, menunjukkan bahwa dengan α=5%, tidak terjadi dependensi spasial lag dan error model baik pada pooled regression dan spatial random effects. Akan tetapi pada model spatial fixed effects dengan α=5% terjadi dependensi spasial pada lag dan error.
4.2.2 Pemodelan Pertumbuhan Ekonomi dengan
Menggunakan Model Spasial Data Panel Pada penelitian ini, model spasial data panel yang akan
digunakan untuk memodelkan pertumbuhan ekonomi kabupaten/kota di Provinsi Sumatera Utara, yaitu SAR dan SEM dengan menggunakan dua pembobot spasial yaitu queen contiguity dan customize.
Pada penelitian ini model SAR digunakan untuk melihat apakah PDRB pada suatu kabupaten/kota berkaitan dengan PDRB kabupaten/kota lainnya di Provinsi Sumatera Utara. Model SEM digunakan untuk melihat apakah error model suatu kabupaten/kota lainnya di Provinsi Sumatera Utara terdapat korelasi spasial.
72
Tabel 4.5 Hasil Estimasi Parameter SAR dengan Pembobot Queen Contiguity
Variabel Pooled Fixed Effect Random Effect Koefisien P-value Koefisien P-value Koefisien P-value
intercept -10,1330 0,0000 X1 (PAD) 0,0147 0,8148 0,0114 0,1413 0,0174 0,0383 X2 (BM) 0,1526 0,0861 0,0086 0,2062 0,0063 0,3952 X3 (TK) 0,9109 0,0000 -0,0211 0,5908 0,1124 0,0004 X4 (RTPL) 0,6695 0,0319 0,0174 0,7194 0,0626 0,2177 X5 (RLS) -0,4238 0,2776 -0,0549 0,2607 -0,0126 0,7986 δ 0,3324 0,0000 0,7646 0,0000 0,7516 0,0000 0,0153 0,0000 R2 0,9122
0,8831 0,1033
0,9998 0,7387 0,0003
0,9997 0,1350 0,0003
Corr2 2
73
Tabel 4.6 Hasil Estimasi Parameter SAR dengan Pembobot Customize
Variabel Pooled Fixed Effect Random Effect Koefisien P-value Koefisien P-value Koefisien P-value
intercept -10,9394 0,0000 X1 (PAD) 0,1512 0,0288 0,0022 0,6924 0,0078 0,2160 X2 (BM) 0,1151 0,2758 0,0082 0,1054 0,0108 0,0602 X3 (TK) 0,9368 0,0000 -0,0147 0,6099 -0,0190 0,4329 X4 (RTPL) 1,0212 0,0069 -0,0056 0,8742 -0,0009 0,9798 X5 (RLS) -0,1129 0,8067 0,0059 0,8681 -0,0123 0,7515 δ -0,0443 0,2965 0,9526 0,0000 0,8736 0,0000 0,0050 0,0000 R2 0,8755
0,8767 0,1465
0,9999 0,8838 0,0002
0,9998 0,0000 0,0002
Corr2 2
74
Tabel 4.7 Hasil Estimasi Parameter SEM dengan Pembobot Queen Contiguity
Variabel Pooled Fixed Effect Random Effect Koefisien P-value Koefisien P-value Koefisien P-value
intercept -10,8012 0,0000 X1 (PAD) 0,1695 0,0079 -0,0028 0,7281 0,0697 0,0001 X2 (BM) 0,1583 0,0644 0,0049 0,4860 0,0149 0,3707 X3 (TK) 0,8035 0,0000 -0,0311 0,3829 0,5148 0,0000 X4 (RTPL) 1,0300 0,0025 -0,0349 0,4265 0,2830 0,0034 X5 (RLS) -0,1893 0,6824 -0,0234 0,6874 -0,0422 0,7245 0,6346 0,0000 0,8406 0,0000 0,3911 0,0012 292,6338 0,0000 R2 0,8636
0,8713 0,0932
0,9981 0,0018 0,0003
0,9986 0,8616
0,0017 Corr2
2
75
Tabel 4.8 Hasil Estimasi Parameter SEM dengan Pembobot Customize
Variabel Pooled Fixed Effect Random Effect Koefisien P-value Koefisien P-value Koefisien P-value
intercept -12,3769 0,0000 X1 (PAD) 0,2271 0,0002 0,0011 0,8450 0,0566 0,0004 X2 (BM) 0,1802 0,0599 0,0087 0,0540 0,0122 0,3889 X3 (TK) 0,8364 0,0000 -0,0252 0,3286 0,4976 0,0000 X4 (RTPL) 0,6408 0,0823 -0,0112 0,7404 0,2392 0,0075 X5 (RLS) 0,4999 0,2551 -0,0007 0,9840 0,1968 0,0381 0,6536 0,0000 0,9706 0,0000 0,7749 0,0000 288,7284 0,0000 R2 0,8675
0,8675 0,1305
0,9982 0,1744 0,0001
0,9988 0,7511 0,0014
Corr2 2
76
4.2.3 Pengujian Signifikansi Parameter Pengujian signifikansi parameter dilakukan untuk
membandingkan dan memilih model spasial lag atau spasial error digunakan uji Likelihood Ratio (LR). Hasil uji LR untuk melihat pengaruh variabel spasial secara simultan. Uji LR untuk model PDRB atas dasar harga konstan (Y), pendapatan asli daerah (X1), belanja modal (X2), tenaga kerja (X3), rumah tangga pengguna listrik (X4), dan rata-rata lama sekolah (X5) pada Tabel 4.9.
Tabel 4.9 Hasil uji Likelihood Ratio (LR)
Keterangan Queen contiguity Nilai P-value
Model SAR SAR fixed effect 630,0352 0,0000 SAR random effect 305,3775 0,0000 Model SEM SEM fixed effect 620,8185 0,0000 SEM random effect 221,7811 0,0000
Keterangan Customize Nilai P-value
Model SAR SAR fixed effect 715,7764 0,0000 SAR random effect 314,0683 0,0000 Model SEM SEM fixed effect 718,7660 0,0000 SEM random effect 257,5604 0,0000
Berdasarkan dari hasil Tabel 4.9 diperoleh bahwa P-
value lebih kecil dari taraf signifikansi α=5 %. Hal ini menunjukkan bahwa parameter sudah signifikan pada model SAR maupun SEM, baik dengan pembobot queen contiguity dan customize.
77
4.2.4 Deteksi Multikolinearitas Pendeteksian multikolinearitas antar variabel independen
dapat dilakukan dengan melihat nilai Variance Inflation Factors (VIF) pada Tabel 4.10 dan korelasi antar variabel independen pada Tabel 4.11.
Tabel 4.10 Variance Inflation Factors (VIF)
Tabel 4.11 Korelasi Pearson antar Variabel
Variabel Y X1 X2 X3 X4
X1 0,800
(0,000) X2
0,635 0,636 (0,000) (0,000)
X3 0,905 0,782 0,681
(0,000) (0,000) (0,000)
X4 0,432 0,348 0,033 0,258
(0,000) (0,000) (0,743) (0,010)
X5 0,349 0,379 -0,023 0,188 0,835
(0,000) (0,000) (0,824) (0,062) (0,000) Dari hasil uji multikolinieritas pada tabel 4.10 terlihat
bahwa seluruh variabel telah memiliki nilai Variance Inflation Factors (VIF) yang lebih kecil dari 10, hal ini mengidentifikasikan tidak terjadinya multikolinieritas. Sedangkan untuk nilai korelasi antar variabel dapat dilihat Tabel 4.11 menunjukkan bahwa terjadi korelasi positif yang
Variabel VIF
Pendapatan Asli Daerah (X1) 3,449
Belanja Modal (X2) 2,205
Tenaga Kerja (X3) 3,155
Rumah Tangga Pengguna Listrik (X4) 3,491
Rata-rata Lama Sekolah (X5) 3,853
78
signifikan antara variabel independen terhadap variabel dependen. Terjadinya multikolinearitas akan menyebabkan ketidaksesuaian dari hasil estimasi dan signifikansi parameter model spasial data panel dimana tanda parameter regresi dari hasil estimasi bertentangan dengan yang diharapkan berdasarkan pertimbangan teoritis atau pengalaman sebelumnya, selain itu uji-uji individu terhadap parameter regresi bagi variabel-variabel independen penting memberikan hasil yang tidak signifikan. Menurut Setiawan dan Kusrini (2010), salah satu cara untuk mengatasi multikolinearitas adalah mengeluarkan satu atau lebih variabel independen yang terindikasi menyebabkan terjadinya multikolinearitas.
4.2.5 Pemilihan Model Terbaik dengan Menghilangkan
Variabel yang Terindikasi Menyebabkan Terjadinya Multikolinieritas Pemodelan spasial data panel dengan melibatkan semua
variabel independen menghasilkan ketidaksesuaian pada hasil estimasi dan signifikansi parameter akibat adanya multikolinearitas antar variabel independen. Oleh karena itu, akan dilakukan pemodelan dengan tidak mengikutsertakan variabel independen yang terindikasi menyebabkan terjadinya multikolinearitas. Pemodelan dilakukan dengan mengeluarkan variabel diantaranya tenaga kerja (X3) dan rata-rata lama sekolah (X5).
Oleh karena itu, maka dilakukan kembali untuk memodelkan pertumbuhan ekonomi kabupaten/kota di Provinsi Sumatera Utara dengan melakukan pengujian spatial dependency (ketergantungan wilayah) dengan menggunakan uji Lagrange Multiplier (LM) dan Robust Lagrange Multiplier (Robust LM) untuk melihat apakah dependensi spasial terjadi pada lag atau error pada model variabel independen yang tidak mengalami multikolinearitas yaitu pendapatan asli daerah (X1), belanja modal (X2), dan rumah tangga pengguna listrik (X4). Hasil pengujian dependensi spasial disajikan pada Tabel 4.12.
79
Tabel 4.12 Uji Dependensi Spasial Tiga Variabel Independen Queen Comtiguity
Uji LM Pooled Spasial Fixed Effect Spasial random
effect
LM P-value LM P-value LM P-value
LM lag 13,3283 0,000 100,0775 0,000 0,9114 0,340 LM error 0,7032 0,402 57,8190 0,000 0,1664 0,683
Robust LM Lag 16,7858 0,000 50,2091 0,000 1,0045 0,316
Robust LM error
4,1607 0,041 7.9506 0,005 0,2595 0,610
Customize
Uji LM Pooled Spasial Fixed Effect Spasial random
effect
LM P-value LM P-value LM P-value
LM lag 0,9213 0,337 102, 8456 0,000 0,1508 0,698 LM error 5,4387 0,020 39,4017 0,000 0,0162 0,899
Robust LM Lag 10,1652 0,001 63,5684 0,000 0,1633 0,686
Robust LM error
14,6825 0,000 0,1245 0,724 0,0287 0,865
Berdasarkan Tabel 4.12, hasil uji LM dengan menggunakan pembobot spasial queen contiguity, pada tiga variabel independen menunjukkan bahwa, dengan α=5% terjadi dependensi spasial lag pada pooled regression dan spatial fixed effects. Begitu pula hasil uji Robust LM terjadi dependensi spasial lag pada model pooled regression maupun spatial fixed effects. Akan tetapi pada lag maupun error pada model spatial random effects baik pada LM maupun Robust LM tidak terjadi dependensi spasial. Sedangkan dengan hasil uji LM dan hasil uji Robust LM dengan menggunakan pembobot spasial costumize, menunjukkan bahwa dengan α=5% terjadi dependensi spasial lag dan error pada variabel dependen pooled regression dan spatial fixed effects. Akan tetapi pada lag dan error pada model spatial random effects baik pada LM maupun Robust LM tidak terjadi dependensi spasial.
80
Tabel 4.13 Hasil Estimasi Parameter SAR dengan Pembobot Queen Contiguity Tiga Variabel Independen
Variabel Pooled Fixed Effect Random Effect Koefisien P-value Koefisien P-value Koefisien P-value
intercept -15,6176 0,0000 X1 (PAD) 0,4044 0,0000 0,0159 0,0168 0,0141 0,0555 X2 (BM) 0,6144 0,0000 0,0063 0,3467 0,0089 0,1953 X3 (TK) X4 (RTPL) 0,6609 0,0407 0,0267 0,5775 0,1366 0,0012 X5 (RLS) δ 0,3036 0,0002 0,7656 0,0000 0,8396 0,0000 0,0131 0,0000 R2 0,7550
0,7056 0,2883
0,9998 0,7865 0,0003
0,9997 0,0027
0,0003 Corr2
2
81
Tabel 4.14 Hasil Estimasi Parameter SAR dengan Pembobot Customize Tiga Variabel Independen
Variabel Pooled Fixed Effect Random Effect Koefisien P-value Koefisien P-value Koefisien P-value
intercept -15,8499 0,0000 X1 (PAD) 0,5439 0,0000 0,0018 0,6953 0,0098 0,0749 X2 (BM) 0,5746 0,0001 0,0080 0,1003 0,0100 0,0717 X3 (TK) X4 (RTPL) 1,0893 0,0029 -0,0072 0,8347 -0,0043 0,9028 X5 (RLS) δ -0,0653 0,2192 0,9496 0,0000 0,8586 0,0000 0,0050 0,0000 R2 0,7160
0,7236 0,3342
0,9999 0,8960 0,0002
0,9998 0,0000 0,0002
Corr2 2
82
Tabel 4.15 Hasil Estimasi Parameter SEM dengan Pembobot Queen Contiguity Tiga Variabel Independen
Variabel Pooled Fixed Effect Random Effect Koefisien P-value Koefisien P-value Koefisien P-value
intercept -16,1069 0,0000 X1 (PAD) 0.4937 0,0000 -0,0022 0,7858 0,1438 0,0000 X2 (BM) 0,6550 0,0000 0,0036 0,6049 0,0715 0,0026 X3 (TK) X4 (RTPL) 0,8483 0,0165 -0,0334 0,4517 1,0461 0,0000 X5 (RLS) 0,4766 0,0000 0,8346 0,0000 0,2334 0,0859 242,1609 0,0000 R2 0,7000
0,7037 0,2620
0,9981 0,0366 0,0003
0,9967 0,4013 0,0039
Corr2 2
83
Tabel 4.16 Hasil Estimasi Parameter SEM dengan Pembobot Customize Tiga Variabel Independen
Variabel Pooled Fixed Effect Random Effect Koefisien P-value Koefisien P-value Koefisien P-value
intercept -16,0952 0,0000 X1 (PAD) 0,5944 0,0000 0,0018 0,7089 0,1399 0,0000 X2 (BM) 0,5457 0,0000 0,0088 0,0436 0,0782 0,0005 X3 (TK) X4 (RTPL) 0,9431 0,0033 -0,0115 0,7281 1,0193 0,0000 X5 (RLS) 0,6696 0,0000 0,9676 0,0000 -0,3044 0,0850 205,5295 0,0000 R2 0,7023
0,7023 0,2693
0,9982 0,2828 0,0002
0,9967 0,3329 0,0039
Corr2 2
84
4.2.6 Uji Signifikasi Parameter Model Dengan Tiga Variabel Independen Pengujian signifikansi parameter dilakukan untuk
membandingkan dan memilih model spasial lag atau spasial error digunakan uji Likelihood Ratio (LR). Hasil uji LR untuk melihat pengaruh variabel spasial secara simultan. Uji LR untuk model PDRB atas dasar harga konstan (Y), pendapatan asli daerah (X1), belanja modal (X2), dan rumah tangga pengguna listrik (X4) pada Tabel 4.17. Tabel 4.17 Hasil uji Likelihood Ratio (LR) Tiga Variabel Independen
Keterangan Queen contiguity Nilai P-value
Model SAR SAR fixed effect 726,3437 0,0000 SAR random effect 388,4723 0,0000 Model SEM SEM fixed effect 717,8610 0,0000 SEM random effect 245,3637 0,0000
Keterangan Customize Nilai P-value
Model SAR SAR fixed effect 796,3842 0,0000 SAR random effect 394,3001 0,0000 Model SEM SEM fixed effect 798,5100 0,0000 SEM random effect 252,2854 0,0000
Berdasarkan tabel diatas 4.17, diperoleh bahwa P-value lebih kecil dari taraf signifikansi α=5 %. Hal ini menunjukkan bahwa parameter sudah signifikan pada model SAR maupun SEM, baik dengan pembobot queen contiguity dan customize. Dan dapat dilihat bahwa model bisa berkemungkinan fixed effect atau random effect. Akan tetapi pada hasil estimasi parameter, diketahui bahwa model kurang baik yaitu banyak variabel yang tidak signifikan dan efek spasial yang tidak signifikan. Maka model terbaik yang dipilih ialah model SAR
85
dan SEM yang pooled. Selain itu kriteria model terbaik dapat pula dilihat dengan menggunakan kriteria R2, corr2 dan jumlah variabel yang signifikan dalam model.
4.2.7 Estimasi Model Spasial Data Panel Pada pemodelan spasial data panel dengan menggunakan
pembobot queen contiguity dan customize, akan dilakukan pemilihan model terbaik diantara semua model spasial data panel menggunakan kriteria dan jumlah variabel yang signifikan dalam model. Berdasarkan hasil pemodelan yang diperoleh, maka dapat disimpulkan model terbaik adalah model SAR pooled menggunakan pembobot queen contiguity dengan menghilangkan X3 dan X5. Model tersebut memiliki nilai tinggi yaitu 0,7550 dan rendah yaitu 0,2883 dengan nilai yaitu 0,7056. Model SAR pooled yang dipilih dapat dituliskan sebagai berikut:
421
33
1ln6609,0ln6144,0ln4044,06176,15ln3036,0ˆln XXXYwY jt
jijit
Dari model tersebut dilihat bahwa meningkatnya pendapatan asli daerah ( ) disuatu kabupaten/kota, memiliki pengaruh signifikan terhadap pertumbuhan ekonomi suatu kabupaten/kota dengan elastisitas sebesar 0,4044. Artinya, apabila PAD kabupaten/kota bertambah sebesar 1%, maka akan diperoleh tambahan PDRB sebesar 0,4044%.
Dari model tersebut juga dapat diketahui bahwa meningkatnya belanja modal ( ) disuatu kabupaten/kota, memiliki pengaruh signifikan terhadap pertumbuhan ekonomi suatu kabupaten/kota dengan elastisitas sebesar 0,6144. Artinya, apabila belanja modal di kabupaten/kota bertambah sebesar 1%, maka akan diperoleh tambahan PDRB sebesar 0,6144%.
Meningkatnya rumah tangga pengguna listrik ( ) disuatu kabupaten/kota, memiliki pengaruh signifikan terhadap pertumbuhan ekonomi suatu kabupaten/kota dengan elastisitas sebesar 0,6609. Artinya, apabila rumah tangga pengguna listrik
86
di kabupaten/kota bertambah sebesar 1%, akan diperoleh tambahan PDRB sebesar 0,6609%.
Model pertumbuhan ekonomi untuk yang mewakili masing-masing nilai pembobot queen contiguity kabupaten/kota adalah sebagai berikut:
1. Kabupaten Nias
tniastnias
tniastligunungsito
tniasbarattniasutaratniasselatnias
XX
XYYYYY
)(4)(2
)(1)(
)()(tan)()(
ln6609,0ln6144,0
ln4044,06176,15ln0759,0ln0759,0ln0759,0ln0759,0ˆln
2. Kabupaten Tapanuli Selatan
tlatapanulisetlatapanulise
tlatapanulisetpuanpadangsi
tuutaralabuhanbattspadanglawatsutarapadanglawa
taratapanuliuttngahtapanulitetnatalmandailingtlatapanulise
XXXY
YYYYYYY
tan)(4tan)(2
tan)(1)dim(
)()()(
)()()(tan)(
ln6609,0ln6144,0ln4044,06176,15ln0433,0
ln0433,0ln0433,0ln0433,0ln0433,0ln0433,0ln0433,0ˆln
3. Kabupaten Asahan
tasahantasahantasahan
tjungbalaituutaralabuhanbat
tbatubaratsimalunguntrtobasamositasahan
XXXYY
YYYY
)(4)(2)(1
)(tan)(
)()()()(
ln6609,0ln6144,0ln4044,06176,15ln0607,0ln0607,0
ln0607,0ln0607,0ln0607,0ˆln
4. Kabupaten Simalungun
tsimaungun
tsimalunguntsimalungun
tgsiantarpematbatubaratdagaiserdangber
tgdeliserdantkarotasahantsimalungun
X
XXYYY
YYYY
)(4
)(2)(1
)tan()()(
)()()()(
ln6609,0
ln6144,0ln4044,06176,15ln0506,0ln0506,0ln0506,0
ln0506,0ln0506,0ln0506,0ˆln
87
5. Kabupaten Padang Lawas
tspadanglawa
tspadanglawatspadanglawa
tsutarapadanglawatlatapanulisetnatalmandailingtspadanglawa
X
XXYYYY
)(4
)(2)(1
)(tan)()()(
ln6609,0
ln6144,0ln4044,06176,15ln1012,0ln1012,0ln1012,0ˆln
6. Kota Medan
tmedantmedan
tmedantgdeliserdantmedan
XX
XYY
)(4)(2
)(1)()(
ln6609,0ln6144,0
ln4044,06176,15ln3036,0ˆln
Kota Medan merupakan pusat kegiatan perekonomian dan juga merupakan daerah yang memiliki PDRB tertinggi di Provinsi Sumatera Utara. Sehingga akan dilakukan interpretasi model terhadap kota Medan yang diharapkan dapat memberikan gambaran umum mengenai perekonomian yang ada di Provinsi Sumatera Utara. Berdasarkan model pertumbuhan ekonomi dengan SAR pooled menggunakan pembobot queen contiguity, PDRB Kota Medan sangat berkaitan dengan input pertumbuhan ekonomi di Kabupaten Deli Serdang. Sebagaimana diketahui bahwa Kota Medan dan Kabupaten Deli Serdang merupakan wilayah yang saling berdekatan. Dimana kedua daerah ini merupakan pusat perekonomian serta pusat perindustrian di Provinsi Sumatera Utara.
Meningkatnya PDRB (Y) di Kabupaten Deli Serdang memiliki pengaruh signifikan terhadap pertumbuhan ekonomi di Kota Medan dengan elastisitas sebesar 0,4044. Artinya, apabila PDRB di Kabupaten Deli Serdang bertambah sebesar 1%, maka akan diperoleh tambahan PDRB di Kota Medan sebesar 0,4044%.
Dari model tersebut, dapat dilihat bahwa meningkatnya pendapatan asli daerah (X1) di Kota Medan memiliki pengaruh signifikan terhadap pertumbuhan ekonomi di Kota Medan dengan elastisitas sebesar 0,4044. Artinya, apabila PAD di
88
Kota Medan bertambah sebesar 1%, maka akan diperoleh tambahan PDRB di Kota Medan sebesar 0,4044%.
Dari model tersebut juga dapat diketahui bahwa meningkatnya belanja modal ( ) di Kota Medan, memiliki pengaruh signifikan terhadap pertumbuhan ekonomi di Kota Medan dengan elastisitas sebesar 0,6144. Artinya, apabila belanja modal di Kota Medan bertambah sebesar 1%, maka akan diperoleh tambahan PDRB di Kota Medan sebesar 0,6144%.
Meningkatnya rumah tangga pengguna listrik ( ) di Kota Medan, memiliki pengaruh signifikan terhadap pertumbuhan ekonomi di Kota Medan dengan elastisitas sebesar 0,6609. Artinya, apabila rumah tangga pengguna listrik di Kota Medan bertambah sebesar 1%, akan diperoleh tambahan PDRB di Kota Medan sebesar 0,6609%.
4.2.8 Pengujian Asumsi Residual
Dari model terbaik yang diperoleh, akan dilakukan pengujian asumsi terhadap residual untuk melihat apakah residual bersifat identik, independen dan berdistribusi normal. Berikut adalah hasil pengujian asumsi residual pada model SAR pooled (dengan mengeluarkan variabel X3 dan X5) menggunakan pembobot queen contiguity.
1. Asumsi identik atau kekonstanan varians residual
(homoskedastisitas)
89
6560555045
0.050
0.025
0.000
-0.025
-0.050
-0.075
fit
res
Scatterplot of res vs fit
Gambar 4.16 Scatterplot antara Residual dengan Nilai Prediksi (Fits)
Berdasarkan scatterplot antara nilai residual dengan nilai prediksi (fits) pada Gambar 4.16, terlihat bahwa titik-titik amatan menyebar secara acak dan tidak membentuk pola tertentu, yang berarti tidak terjadi heteroskedastisitas.
2. Asumsi independen atau tidak terdapat autokorelasi antar
residual
24222018161412108642
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
Autocorrelation Function for res(with 5% significance limits for the autocorrelations)
Gambar 4.17 Plot Autocorrelation Function (ACF) dari Residual
Berdasarkan plot Autocorrelation Function (ACF) dari residual, terlihat bahwa tidak ada lag yang keluar dari batas-
90
batas signifikansi, ini berarti bahwa tidak terjadi autokorelasi antar residual. Dengan uji autokorelasi menggunakan statistik uji Durbin Watson, diperoleh nilai statistik Durbin Watson sebesar 1,9992. Dengan uji statistik dU<d<4-dU dan dU sebesar 1,71399, maka diperoleh 1,71399<1,9992<2,28601 sehingga gagal tolak H0. Maka keputusan adalah tidak terjadi autokorelasi antar residual, maka asumsi independen terpenuhi.
3. Asumsi residual menyebar normal
0.0500.0250.000-0.025-0.050-0.075
99.9
99
95
90
80
7060504030
20
10
5
1
0.1
res
Perc
ent
Mean 0.003322
StDev 0.01813
N 99
KS 0.087
P-Value 0.062
Probability Plot of resNormal
Gambar 4.18 Probability Plot dari Residual Berdasarkan probability plot dari residual pada Gambar
4.18, terlihat bahwa titik-titik amatan residual menyebar di sekitar garis normal, ini berarti residual mengikuti sebaran normal. Dengan uji normalitas menggunakan uji Kolmogorv Smirnov juga diperoleh hasil yang sama, dimana H0 gagal ditolak oleh karena p-value (0,062) > α (0,05), maka dapat disimpulkan bahwa residual mengikuti distribusi normal.
97
LAMPIRAN Lampiran 1. Data Asli Penelitian 1. Data PDRB (Y)
PDRB Atas Dasar Harga Konstan (Y)
Kabupaten/Kota 2012 2013 2014
Nias 1776.05 1888.76 1992.05
Mandailing Natal 6210.82 6604.94 7037.24
Tapanuli Selatan 6150.49 7222.61 7540.96
Tapanuli Tengah 4943.04 5198.56 5460.81
Tapanuli Utara 4198.63 4420.15 4646.64
Toba Samosir 3985.21 4178 4355.22
Labuhan Batu 16289.98 17266.41 18167.79
Asahan 17872.41 18906.42 20019.06
Simalungun 19117.54 20124.06 21197.54
Dairi 4671 4906.97 5153.96
Karo 10258.23 10768.99 11326.4
Deli Serdang 47513.87 51892.42 55870.48
Langkat 20858.68 22024.16 23150.8
Nias Selatan 3074.46 3217.7 3356.63 Humbang Hasudutan 2948.18 3119 3284.16
Pakpak Bharat 569.86 603.55 639.24
Samosir 2105.65 2233.59 2366.56
Serdang Berdagai 13558.85 14345.76 15080.96
Batubara 17916.36 18673.42 19457.83 Padang Lawas Utara 5531.49 5871.51 6230.97
Padang Lawas 5332.02 5659.62 5999.93 Labuhanbatu Selatan 13024.49 13812.09 14548.32
Labuhanbatu Utara 11978.44 12732.11 13420.27
98
Nias Utara 1645.93 1750.25 1842.56
Nias Barat 877.93 923.29 970.53
Sibolga 2458.5 2604.21 2757.7
Tanjung Balai 3919.55 4152.39 4392.45
Pematang Siantar 6753.56 7142.06 7596.87
Tebing Tinggi 2758.87 2924.75 3083.91
Medan 105162 110794.42 117497.62
Binjai 5553.63 5887.47 6230.55 Padang Sidimpuan 2952.72 3120.26 3276.83
Gunung Sitoli 2276.15 2417.75 2565.47
2. Data Pendapatan Asli Daerah (X1)
Pendapatan Asli Daerah (X1)
Kabupaten/Kota 2012 2013 2014
Nias 24008498 44726141 44641875
Mandailing Natal 45000000 47665840 50000000
Tapanuli Selatan 56283098 69220480 77252840
Tapanuli Tengah 26000000 23210741 32447192
Tapanuli Utara 14291357 37952075 36990862
Toba Samosir 18913426 19803160 23408574
Labuhan Batu 50000000 49784550 85350446
Asahan 31886825 53691706 59129771
Simalungun 113094877 97914775 110000000
Dairi 20508000 29933428 24331000
Karo 46826173 46342697 67343578
Deli Serdang 380055100 328348147 566665450
Langkat 59280111 65521499 114868164
Nias Selatan 15007500 9392315 76559502
Humbang 10745194 17632875 26959178
99
Hasudutan
Pakpak Bharat 6270625 9080677 10498445
Samosir 14062964 26661344 23773379
Serdang Berdagai 40969092 50371734 61004294
Batubara 17589568 27800610 29448278 Padang Lawas Utara 14676786 23129957 34250618
Padang Lawas 28177423 15804224 23736361 Labuhanbatu Selatan 18725500 26701972 35635298
Labuhanbatu Utara 13064552 25651300 28547342
Nias Utara 5000000 8857121 15000000
Nias Barat 6000000 7223691 10000000
Sibolga 21100451 29457629 36216015
Tanjung Balai 31855339 31920753 34409306
Pematang Siantar 60031590 61357962 57806708
Tebing Tinggi 28939350 53199538 47477336
Medan 1416229173 1206169709 1515685947
Binjai 35179200 49172643 68707990 Padang Sidimpuan 23158593 35018176 42456400
Gunung Sitoli 7888158 13580466 28400000
3. Data Belanja Modal (X2)
Belanja Modal (X2)
Kabupaten/Kota 2012 2013 2014
Nias 180361487 173429299 165569480
Mandailing Natal 80586093 143802438 154985071
Tapanuli Selatan 199594644 267454272 233918403
Tapanuli Tengah 117582267 258593436 360262646
Tapanuli Utara 168314236 206895524 125898675
100
Toba Samosir 109899867 125576943 111315864
Labuhan Batu 178616706 226693799 199078845
Asahan 178857503 271753134 167484602
Simalungun 335421279 234348465 504069847
Dairi 92917243 138859862 129623676
Karo 178859535 245358709 217980527
Deli Serdang 415158960 352334309 768166983
Langkat 263693709 308212155 322379588
Nias Selatan 189519954 243666094 265828376 Humbang Hasudutan 137668011 190867255 169977363
Pakpak Bharat 73995891 147986634 155457767
Samosir 99675252 162439726 202663500
Serdang Berdagai 142991278 250621748 227944161
Batubara 185600649 205203295 149117794 Padang Lawas Utara 229691268 137297626 139718560
Padang Lawas 170202092 193425840 132813982 Labuhanbatu Selatan 135120068 335066618 232920532
Labuhanbatu Utara 109607380 292435766 156212604
Nias Utara 103766825 184356218 147075842
Nias Barat 156944808 161067997 165049544
Sibolga 66910399 87060355 123272145
Tanjung Balai 117834577 110991400 182385028
Pematang Siantar 99132627 134009849 140005110
Tebing Tinggi 20434096 160860325 150599999
Medan 873175833 630802959 956334028
Binjai 153616213 133102683 207484856 Padang Sidimpuan 51986093 117216919 99387780
101
Gunung Sitoli 152791843 194534367 178171205
4. Data Rumah Tangga Pengguna Listrik (X4)
Rumah Tangga Pengguna listrik PLN (X4)
Kabupaten/Kota 2012 2013 2014
Nias 48.20 42.96 50.55
Mandailing Natal 73.69 87.39 83.23
Tapanuli Selatan 84.40 81.44 86.32
Tapanuli Tengah 85.75 81.30 93.60
Tapanuli Utara 95.92 98.97 94.99
Toba Samosir 95.79 94.02 92.66
Labuhan Batu 88.44 89.51 93.94
Asahan 95.00 91.81 95.80
Simalungun 93.88 95.35 94.29
Dairi 88.99 88.79 93.38
Karo 96.33 98.95 95.82
Deli Serdang 99.12 99.49 99.36
Langkat 97.17 95.61 94.74
Nias Selatan 47.97 50.43 46.30 Humbang Hasudutan 94.64 95.83 97.35
Pakpak Bharat 78.91 88.88 84.11
Samosir 94.07 94.37 96.45
Serdang Berdagai 98.20 98.84 99.04
Batubara 94.50 95.96 97.31 Padang Lawas Utara 81.44 77.61 75.61
Padang Lawas 79.13 78.72 82.76 Labuhanbatu Selatan 87.01 88.62 83.80
Labuhanbatu Utara 92.09 92.41 91.14
102
Nias Utara 53.34 55.80 65.77
Nias Barat 52.37 67.20 68.75
Sibolga 99.75 99.96 98.57
Tanjung Balai 96.73 99.66 98.22
Pematang Siantar 99.64 99.51 99.41
Tebing Tinggi 99.73 99.93 100.00
Medan 99.78 99.91 99.89
Binjai 99.31 99.48 99.11
Padang Sidimpuan 98.32 98.28 95.54
Gunung Sitoli 91.31 93.77 92.37
Lampiran 2. Data Panel Hasil Transformasi ln
Tahun Kabupaten/Kota PDRB PAD BM RTPL
2012 Nias 7.482147
16.99391841 19.01047366 3.875359021
2012 Mandailing Natal
8.734048 17.62217305 18.20483665 4.299867105
2012 Tapanuli Selatan
8.724287 17.84590483 19.11179909 4.435567402
2012 Tapanuli Tengah
8.505736 17.0736071 18.58264879 4.451436086
2012 Tapanuli Utara 8.342514
16.47516551 18.94134324 4.563514511
2012 Toba Samosir 8.290345
16.7553826 18.51508021 4.562158295
2012 Labuhan Batu 9.698305
17.72753356 19.00075276 4.482324356
2012 Asahan 9.791013
17.27770347 19.00209997 4.553876892
2012 Simalungun 9.858362
18.54373764 19.63089785 4.542017371
2012 Dairi 8.449128
16.83632561 18.34721979 4.488524004
2012 Karo 9.235836
17.66195286 19.00211134 4.567779797
2012 Deli Serdang 10.76878
19.7558268 19.84417204 4.596331237
103
2012 Langkat 9.945525
17.89778441 19.39029879 4.576462022
2012 Nias Selatan 8.030885
16.52406063 19.06000488 3.870575816
2012 Humbang Hasudutan
7.988943 16.18996914 18.74035563 4.55008022
2012 Pakpak Bharat 6.345391
15.65138659 18.11952012 4.368307963
2012 Samosir 7.652379
16.45905523 18.41742798 4.544039186
2012 Serdang Berdagai
9.514795 17.52832849 18.77829419 4.587006215
2012 Batubara 9.79347
16.68281656 19.03910788 4.548599834
2012 Padang Lawas Utara
8.618212 16.50177762 19.25224665 4.399866553
2012 Padang Lawas 8.581485
17.15403161 18.95249707 4.37109207
2012 Labuhanbatu Selatan
9.474587 16.74539679 18.72167433 4.466023055
2012 Labuhanbatu Utara
9.390864 16.38541317 18.51241527 4.52276636
2012 Nias Utara 7.406061
15.42494847 18.45765687 3.976686519
2012 Nias Barat 6.777567
15.60727003 18.87140476 3.958333908
2012 Sibolga 7.807307
16.86480497 18.01886495 4.602667056
2012 Tanjung Balai 8.273732
17.27671556 18.58479231 4.571923592
2012 Pematang Siantar
8.817825 17.91038148 18.41196918 4.60156369
2012 Tebing Tinggi 7.922576
17.18071282 16.83271544 4.602466534
2012 Medan 11.56326
21.07126366 20.58764751 4.602967762
2012 Binjai 8.622207
17.37596556 18.84996793 4.598246271
2012 Padang Sidimpuan
7.990482 16.95787646 17.7664868 4.588227465
2012 Gunung Sitoli 7.730241
15.88087321 18.84458705 4.514260311
2013 Nias 7.543676
17.6160687 18.97128058 3.76026945
104
2013 Mandailing Natal
8.795573 17.67972556 18.78395096 4.47038086
2013 Tapanuli Selatan
8.884972 18.05280733 19.40445916 4.399866553
2013 Tapanuli Tengah
8.556137 16.9601257 19.37076764 4.398146017
2013 Tapanuli Utara 8.393929
17.45183474 19.14772451 4.594816774
2013 Toba Samosir 8.337588
16.80135208 18.64842922 4.543507526
2013 Labuhan Batu 9.756518
17.72321525 19.23911076 4.494350351
2013 Asahan 9.847257
17.7987691 19.42040462 4.519721224
2013 Simalungun 9.909671
18.39960802 19.27231973 4.557554332
2013 Dairi 8.498412
17.21448641 18.7489758 4.486274031
2013 Karo 9.284426
17.65157428 19.31823182 4.594614672
2013 Deli Serdang 10.85693
19.60958503 19.68009102 4.600057137
2013 Langkat 9.999895
17.99788888 19.54629892 4.560277417
2013 Nias Selatan 8.076422
16.05540236 19.31130938 3.920586236
2013 Humbang Hasudutan
8.045268 16.68527562 19.06708874 4.562575788
2013 Pakpak Bharat 6.402829
16.02165931 18.81263252 4.487287145
2013 Samosir 7.711365
17.09872528 18.90581757 4.547223226
2013 Serdang Berdagai
9.57121 17.73494074 19.33945538 4.593502381
2013 Batubara 9.834856
17.14056852 19.13951173 4.563931438
2013 Padang Lawas Utara
8.677867 16.95663918 18.73766158 4.351696285
2013 Padang Lawas 8.641112
16.5757878 19.08040474 4.365897253
2013 Labuhanbatu Selatan
9.5333 17.10024798 19.62983993 4.484357566
2013 Labuhanbatu Utara
9.451882 17.06010481 19.4937556 4.526235198
105
2013 Nias Utara 7.467514
15.99673233 19.03238041 4.021773869
2013 Nias Barat 6.827943
15.7928766 18.89733718 4.207673248
2013 Sibolga 7.864885
17.19846348 18.28211217 4.604770106
2013 Tanjung Balai 8.331439
17.27876692 18.52496328 4.601764393
2013 Pematang Siantar
8.873757 17.9322355 18.71342386 4.600258142
2013 Tebing Tinggi 7.980964
17.78956027 18.896047 4.604469941
2013 Medan 11.61543
20.91071565 20.2625041 4.604269781
2013 Binjai 8.680582
17.71084799 18.70663144 4.599956619
2013 Padang Sidimpuan
8.045672 17.3713778 18.57953678 4.587820548
2013 Gunung Sitoli 7.790593
16.42414299 19.0861194 4.540844975
2014 Nias 7.59692
17.61418288 18.92490148 3.922962945
2014 Mandailing Natal
8.858971 17.72753356 18.85883935 4.42160786
2014 Tapanuli Selatan
8.928105 18.16259424 19.27048291 4.458061321
2014 Tapanuli Tengah
8.605352 17.29512446 19.7023439 4.539030383
2014 Tapanuli Utara 8.4439
17.42618147 18.65098797 4.553771623
2014 Toba Samosir 8.37913
16.96861292 18.52788234 4.52893688
2014 Labuhan Batu 9.807406
18.26227623 19.10921151 4.542656281
2014 Asahan 9.90444
17.89524509 18.93640198 4.562262685
2014 Simalungun 9.96164
18.51599092 20.0382254 4.546375139
2014 Dairi 8.547521
17.00726182 18.68014601 4.53667719
2014 Karo 9.334892
18.0253181 19.19991629 4.562471431
2014 Deli Serdang 10.93079
20.15527965 20.45951769 4.598749618
106
2014 Langkat 10.04978
18.55929563 19.59124025 4.551136297
2014 Nias Selatan 8.118693
18.1535788 19.39836146 3.835141961
2014 Humbang Hasudutan
8.096866 17.10983435 18.95117583 4.578312732
2014 Pakpak Bharat 6.46028
16.16673771 18.86188466 4.432125466
2014 Samosir 7.769193
16.98407698 19.12705753 4.569024739
2014 Serdang Berdagai
9.621188 17.92645481 19.24461125 4.595523809
2014 Batubara 9.876005
17.19814599 18.82024712 4.577901759
2014 Padang Lawas Utara
8.737287 17.34921517 18.75514067 4.32558855
2014 Padang Lawas 8.699503
16.98251865 18.70446008 4.415944853
2014 Labuhanbatu Selatan
9.585231 17.38884722 19.26620789 4.428433007
2014 Labuhanbatu Utara
9.504522 17.16707439 18.86672848 4.512396786
2014 Nias Utara 7.518911
16.52356076 18.80645894 4.186163807
2014 Nias Barat 6.877842
16.11809565 18.92175625 4.230476737
2014 Sibolga 7.922152
17.40501198 18.62990503 4.590766956
2014 Tanjung Balai 8.387642
17.35383761 19.02163055 4.587209861
2014 Pematang Siantar
8.935492 17.87261538 18.75718948 4.599252712
2014 Tebing Tinggi 8.033954
17.67576302 18.83013787 4.605170186
2014 Medan 11.67417
21.13913394 20.67861781 4.604069581
2014 Binjai 8.73722
18.04537605 19.15056891 4.596230344
2014 Padang Sidimpuan
8.094632 17.56398822 18.41453973 4.559545008
2014 Gunung Sitoli 7.849897
17.1618997 18.99825547 4.525802251
107
Lampiran 3. Pembobot Spasial
1. Queen Contiguity
Kabupaten/kota Nias Mandailing Natal
Tapanuli Selatan
Tapanuli Tengah . . . Medan Binjai Padang
Sidimpuan Gunung
Sitoli
Nias 0 0 0 0 . . . 0 0 0 0.25 Mandailing
Natal 0 0 0.5 0 . . . 0 0 0 0
Tapanuli Selatan 0 0.1428 0 0.1428 . . . 0 0 0.1428 0
Tapanuli Tengah 0 0 0 0 0 0 0 0
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
Medan 0 0 0 0 . . . 0 0 0 0
Binjai 0 0 0 0 . . . 0 0 0 0 Padang
Sidimpuan 0 0 1 0 . . . 0 0 0 0
Gunung Sitoli 0.5 0 0 0 . . . 0 0 0 0
108
2. Customize
Kabupaten/kota Nias Mandailing Natal
Tapanuli Selatan
Tapanuli Tengah . . . Medan Binjai Padang
Sidimpuan Gunung
Sitoli
Nias 0 0 0 0 . . . 1 0 0 0 Mandailing
Natal 0 0 0 0 . . . 1 0 0 0
Tapanuli Selatan 0 0 0 0 . . . 1 0 0 0
Tapanuli Tengah 0 0 0 0 . . . 0.0769 0 0 0
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
Medan 0.0313 0.0313 0.0313 0.0313 . . . 0 0.0313 0.0313 0.0313
Binjai 0 0 0 0 . . . 0.1111 0 0 0 Padang
Sidimpuan 0 0 0 0 . . . 1 0 0 0
Gunung Sitoli 0 0 0 0 . . . 1 0 0 0
109
Lampiran 4. Syntax RStudio Moran’s I dan Moran’s Scatterplot library(ctv) library(maptools) library(rgdal) library(spdep) library(maptools) install.packages("ape") library(ape) data<-read.csv("D:/PDRB.csv", header=TRUE) PDRB2012<-data[,2] PDRB2013<-data[,3] PDRB2014<-data[,4] Kabupaten<-data[,1] bobot1<-read.csv("D:/QUEEN.csv", header=FALSE) bobot2<-read.csv("D:/CUSTOMIZE.csv", header=FALSE) www1<-as.matrix(bobot1) www2<-as.matrix(bobot2)
#moran's I dan moran's scatterplot dengan pembobot queen contiguity moran.test(PDRB2012,listw=mat2listw(www1), alternative="two.sided") moran.plot(PDRB2012,listw=mat2listw(www1), labels=as.character(data$Kabupaten), pch=19, col=2) moran.test(PDRB2013,listw=mat2listw(www1), alternative="two.sided") moran.plot(PDRB2013,listw=mat2listw(www1), labels=as.character(data$Kabupaten), pch=19, col=2) moran.test(PDRB2014,listw=mat2listw(www1), alternative="two.sided") moran.plot(PDRB2014,listw=mat2listw(www1), labels=as.character(data$Kabupaten), pch=19, col=2) #moran's I dan moran's scatterplot dengan pembobot customize moran.test(PDRB2012,listw=mat2listw(www2), alternative="two.sided") moran.plot(PDRB2012,listw=mat2listw(www2), labels=as.character(data$Kabupaten),pch=19, col=2) moran.test(PDRB2013,listw=mat2listw(www2), alternative="two.sided") moran.plot(PDRB2013,listw=mat2listw(www2), labels=as.character(data$Kabupaten),pch=19, col=2) moran.test(PDRB2014,listw=mat2listw(www2), alternative="two.sided") moran.plot(PDRB2014,listw=mat2listw(www2), labels=as.character(data$Kabupaten),pch=19, col=2) Lampiran 5. Output Moran’s I dan Moran’s Scatterplot a. Bobot Queen Contiguity Moran's I test under randomisation data: PDRB2012 weights: mat2listw(www1)
110
Moran I statistic standard deviate = 5.0877, p-value = 3.624e-07 alternative hypothesis: two.sided sample estimates: Moran I statistic Expectation Variance 0.426913899 -0.031250000 0.008109611
Moran's I test under randomisation data: PDRB2013 weights: mat2listw(www1) Moran I statistic standard deviate = 5.1298, p-value = 2.9e-07 alternative hypothesis: two.sided sample estimates: Moran I statistic Expectation Variance 0.437309418 -0.031250000 0.008343068
Moran's I test under randomisation data: PDRB2014 weights: mat2listw(www1) Moran I statistic standard deviate = 5.1643, p-value = 2.413e-07 alternative hypothesis: two.sided sample estimates: Moran I statistic Expectation Variance 0.442305803 -0.031250000 0.008408375
0e+00 2e+04 4e+04 6e+04 8e+04 1e+05
010
000
2000
030
000
4000
0
PDRB2012
spati
ally l
agge
d PDR
B201
2
Deli Serdang
Medan
Binjai
0e+00 2e+04 4e+04 6e+04 8e+04 1e+05
010
000
2000
030
000
4000
050
000
PDRB2013
spat
ially
lagg
ed P
DR
B201
3
Deli Serdang
Medan
Binjai
111
b. Bobot Customize Moran's I test under randomisation data: PDRB2012 weights: mat2listw(www2) Moran I statistic standard deviate = -9.3153, p-value < 2.2e-16 alternative hypothesis: two.sided sample estimates: Moran I statistic Expectation Variance -0.771346598 -0.031250000 0.006312184
Moran's I test under randomisation data: PDRB2013 weights: mat2listw(www2) Moran I statistic standard deviate = -9.1996, p-value < 2.2e-16 alternative hypothesis: two.sided sample estimates: Moran I statistic Expectation Variance -0.764299588 -0.031250000 0.006349324
0 20000 40000 60000 80000 100000 120000
010
000
2000
030
000
4000
050
000
PDRB2014
spat
ially
lagg
ed P
DR
B201
4
Deli Serdang
Medan
Binjai
0e+00 2e+04 4e+04 6e+04 8e+04 1e+05
2e+0
44e
+04
6e+0
48e
+04
1e+0
5
PDRB2012
spat
ially
lagg
ed P
DRB2
012
Deli Serdang
Medan
112
Moran's I test under randomisation data: PDRB2014 weights: mat2listw(www2) Moran I statistic standard deviate = -9.1526, p-value < 2.2e-16 alternative hypothesis: two.sided sample estimates: Moran I statistic Expectation Variance -0.761152677 -0.031250000 0.006359713
Lampiran 6. Output Korelasi Pearson dan Variance Inflation
Factors (VIF) a. Korelasi Pearson PDRB PAD BM
PAD 0.800
0.000
BM 0.635 0.636
0.000 0.000
RTPL 0.432 0.348 0.033
0.000 0.000 0.743
0e+00 2e+04 4e+04 6e+04 8e+04 1e+05
2e+0
44e
+04
6e+0
48e
+04
1e+0
5
PDRB2013
spat
ially
lagg
ed P
DRB2
013
Deli Serdang
Medan
0 20000 40000 60000 80000 100000
2000
040
000
6000
080
000
1200
00
PDRB2014
spati
ally l
agge
d PDR
B201
4
Deli Serdang
Medan
113
Cell Contents: Pearson correlation
P-Value
b. Variance Inflation Factors (VIF) Predictor Coef SE Coef T P VIF
Constant -17.635 2.671 -6.60 0.000
PAD 0.56052 0.08233 6.81 0.000 2.050
BM 0.5730 0.1481 3.87 0.000 1.803
RTPL 1.2843 0.3308 3.88 0.000 1.221
Lampiran 7. Output Uji Dependensi Spasial a. Bobot Queen Contiguity 1. Pooling Regression Ordinary Least-squares Estimates Dependent Variable = Y R-squared = 0.7126 Rbar-squared = 0.7035 sigma^2 = 0.3524 Durbin-Watson = 0.9214 Nobs, Nvars = 99, 4 *************************************************************** Variable Coefficient t-statistic t-probability intercept -17.635271 -6.602708 0.000000 x1 0.560524 6.808303 0.000000 x2 0.572953 3.869832 0.000200 x3 1.284315 3.882708 0.000191 loglikols = -86.8039 LM test no spatial lag, probability = 13.3283, 0.000 robust LM test no spatial lag, probability = 0.7032, 0.402 LM test no spatial error, probability = 16.7858, 0.000 robust LM test no spatial error, probability = 4.1607, 0.041
2. Spatial Fixed Effects Dependent Variable = Y R-squared = 0.5334 Rbar-squared = 0.5237 sigma^2 = 0.0011 Durbin-Watson = 1.1278 Nobs, Nvars = 99, 3 *************************************************************** Variable Coefficient t-statistic t-probability x1 0.088915 7.545239 0.000000 x2 0.038584 3.088550 0.002630 x3 0.197185 2.208216 0.029610
114
FE_rsqr2 = 0.9991 Loglikfe = 199.7993 LM test no spatial lag, probability = 100.0775, 0.000 robust LM test no spatial lag, probability = 57.8190, 0.000 LM test no spatial error, probability = 50.2091, 0.000 robust LM test no spatial error, probability = 7.9506, 0.005 3. Spatial Random Effects Dependent Variable = Y R-squared = 0.0205 Rbar-squared = 0.0001 sigma^2 = 0.0001 Durbin-Watson = 2.1054 Nobs, Nvars = 99, 3 *************************************************************** Variable Coefficient t-statistic t-probability x1 -0.004695 -1.008544 0.315729 x2 0.002937 0.717541 0.474783 x3 -0.025486 -0.919461 0.360159 LM test no spatial lag, probability = 0.9114, 0.340 robust LM test no spatial lag, probability = 0.1664, 0.683 LM test no spatial error, probability = 1.0045, 0.316 robust LM test no spatial error, probability = 0.2595, 0.610 b. Bobot Costumize 1. Pooling Regression Ordinary Least-squares Estimates Dependent Variable = Y R-squared = 0.7126 Rbar-squared = 0.7035 sigma^2 = 0.3524 Durbin-Watson = 0.9214 Nobs, Nvars = 99, 4 *************************************************************** Variable Coefficient t-statistic t-probability intercept -17.635271 -6.602708 0.000000 x1 0.560524 6.808303 0.000000 x2 0.572953 3.869832 0.000200 x3 1.284315 3.882708 0.000191 loglikols = -86.8039 LM test no spatial lag, probability = 0.9213, 0.337 robust LM test no spatial lag, probability = 5.4387, 0.020 LM test no spatial error, probability = 10.1652, 0.001 robust LM test no spatial error, probability = 14.6825, 0.000
115
2. Spatial Fixed Effects Ordinary Least-squares Estimates Dependent Variable = Y R-squared = 0.5334 Rbar-squared = 0.5237 sigma^2 = 0.0011 Durbin-Watson = 1.1278 Nobs, Nvars = 99, 3 *************************************************************** Variable Coefficient t-statistic t-probability x1 0.088915 7.545239 0.000000 x2 0.038584 3.088550 0.002630 x3 0.197185 2.208216 0.029610 FE_rsqr2 = 0.9991 loglikfe = 199.7993 LM test no spatial lag, probability = 102.8456, 0.000 robust LM test no spatial lag, probability = 39.4017, 0.000 LM test no spatial error, probability = 63.5684, 0.000 robust LM test no spatial error, probability = 0.1245, 0.724 3. Spatial Random Effects Dependent Variable = Y R-squared = 0.0205 Rbar-squared = 0.0001 sigma^2 = 0.0001 Durbin-Watson = 2.1054 Nobs, Nvars = 99, 3 *************************************************************** Variable Coefficient t-statistic t-probability x1 -0.004695 -1.008544 0.315729 x2 0.002937 0.717541 0.474783 x3 -0.025486 -0.919461 0.360159 LM test no spatial lag, probability = 0.1508, 0.698 robust LM test no spatial lag, probability = 0.0162, 0.899 LM test no spatial error, probability = 0.1633, 0.686 robust LM test no spatial error, probability = 0.0287, 0.865 Lampiran 8. Output Pemodelan Spasial Data Panel 1. Spatial Autoregressive Model (SAR) a. Bobot Queen Contiguity Pooled model with spatially lagged dependent variable, no fixed effects Dependent Variable = Y
116
R-squared = 0.7550 corr-squared = 0.7056 sigma^2 = 0.2883 Nobs,Nvar,#FE = 99, 5, 4 log-likelihood = -80.232512 # of iterations = 1 min and max rho = -1.4004, 1.0000 total time in secs = 0.4680 time for optimiz = 0.1100 time for lndet = 0.0160 time for eigs = 0.1870 time for t-stats = 0.0150 No lndet approximation used *************************************************************** Variable Coefficient Asymptot t-stat z-probability intercept -15.617562 -6.321869 0.000000 X1 0.404444 4.869654 0.000001 X2 0.614373 4.586859 0.000004 X3 0.660944 2.046756 0.040682 W*dep.var. 0.303610 3.744653 0.000181 Pooled model with spatially lagged dependent variable and spatial fixed effects Dependent Variable = Y R-squared = 0.9998 corr-squared = 0.7865 sigma^2 = 0.0003 Nobs,Nvar,#FE = 99, 4, 36 log-likelihood = 265.93138 # of iterations = 1 min and max rho = -1.4004, 1.0000 total time in secs = 0.1250 time for optimiz = 0.0000 time for lndet = 0.0150 time for eigs = 0.0470 time for t-stats = 0.0160 No lndet approximation used *************************************************************** Variable Coefficient Asymptot t-stat z-probability X1 0.015874 2.390300 0.016835 X2 0.006261 0.940979 0.346716 X3 0.026677 0.556963 0.577552 W*dep.var. 0.765592 15.583051 0.000000 Mean intercept and spatial fixed effects Variable Coefficient Asymptot t-stat z-probability intercept 1.419592 6.176326 0.000000 sfe 1 -0.148645 -0.718218 0.472623 sfe 2 0.168396 0.740871 0.458772 sfe 3 0.278245 1.208826 0.226730
117
sfe 4 0.748345 3.253342 0.001141 sfe 5 -0.157523 -0.673920 0.500362 sfe 6 -0.581614 -2.509173 0.012101 sfe 7 0.752144 3.232630 0.001227 sfe 8 0.884661 3.783365 0.000155 sfe 9 0.518046 2.194711 0.028184 sfe 10 0.600720 2.606565 0.009146 sfe 11 -0.172918 -0.735045 0.462312 sfe 12 1.333797 5.541834 0.000000 sfe 13 0.692734 2.937112 0.003313 sfe 14 0.663071 3.194174 0.001402 sfe 15 0.174022 0.747276 0.454897 sfe 16 -1.784023 -7.888876 0.000000 sfe 17 -0.070797 -0.304443 0.760790 sfe 18 0.242448 1.028369 0.303776 sfe 19 0.420471 1.801117 0.071685 sfe 20 -0.322590 -1.432224 0.152080 sfe 21 0.000670 0.002964 0.997635 sfe 22 0.545492 2.373437 0.017623 sfe 23 0.561506 2.425392 0.015292 sfe 24 -0.089862 -0.423372 0.672024 sfe 25 -0.980365 -4.559498 0.000005 sfe 26 -0.725716 -3.101437 0.001926 sfe 27 -1.142052 -4.874001 0.000001 sfe 28 -0.654405 -2.777826 0.005472 sfe 29 -1.281675 -5.464256 0.000000 sfe 30 1.304483 5.350570 0.000000 sfe 31 -1.243250 -5.276309 0.000000 sfe 32 -0.659267 -2.826054 0.004713 sfe 33 0.125451 0.542361 0.587570 LR-test joint significance spatial fixed effects, degrees of freedom and probability = 726.3437, 33, 0.0000 Pooled model with spatially lagged dependent variable and spatial random effects Dependent Variable = Y R-squared = 0.9997 corr-squared = 0.0027 sigma^2 = 0.0003 Nobs,Nvar = 99, 4 log-likelihood = 96.995717 # of iterations = 5 min and max rho = -1.4004, 1.0000 total time in secs = 0.3430 time for optimiz = 0.3120 time for lndet = 0.0160 time for eigs = 0.0150 No lndet approximation used ***************************************************************
118
Variable Coefficient Asymptot t-stat z-probability X1 0.014058 1.914438 0.055564 X2 0.008960 1.295107 0.195283 X3 0.136635 3.237405 0.001206 W*dep.var. 0.839587 25.806105 0.000000 teta 0.013156 5.744721 0.000000 LR-test joint significance spatial random effects, degrees of freedom and probability = 388.4723, 1, 0.0000 b. Bobot Customize Pooled model with spatially lagged dependent variable, no fixed effects Dependent Variable = Y R-squared = 0.7160 corr-squared = 0.7236 sigma^2 = 0.3342 Nobs,Nvar,#FE = 99, 5, 4 log-likelihood = -86.220224 # of iterations = 1 min and max rho = -1.5854, 1.0000 total time in secs = 0.5000 time for optimiz = 0.1090 time for lndet = 0.0150 time for eigs = 0.1870 No lndet approximation used *************************************************************** Variable Coefficient Asymptot t-stat z-probability intercept -15.849966 -5.206784 0.000000 X1 0.543973 6.689611 0.000000 X2 0.574641 3.985474 0.000067 X3 1.089301 2.970465 0.002973 W*dep.var. -0.065328 -1.228558 0.219238 Pooled model with spatially lagged dependent variable and spatial fixed effects Dependent Variable = Y R-squared = 0.9999 corr-squared = 0.8960 sigma^2 = 0.0002 Nobs,Nvar,#FE = 99, 4, 36 log-likelihood = 300.18758 # of iterations = 1 min and max rho = -1.5854, 1.0000 total time in secs = 0.1250 time for optimiz = 0.0150 time for lndet = 0.0310 time for eigs = 0.0310 No lndet approximation used ***************************************************************
119
Variable Coefficient Asymptot t-stat z-probability X1 0.001832 0.391591 0.695361 X2 0.008014 1.643467 0.100286 X3 -0.007239 -0.208653 0.834719 W*dep.var. 0.949609 56.204634 0.000000 Mean intercept and spatial fixed effects Variable Coefficient Asymptot t-stat z-probability intercept -1.002092 -5.969441 0.000000 sfe 1 -2.645207 -17.499509 0.000000 sfe 2 -1.383645 -8.334780 0.000000 sfe 3 -1.339620 -7.968502 0.000000 sfe 4 0.937578 5.580778 0.000000 sfe 5 0.766641 4.490707 0.000007 sfe 6 0.707782 4.180755 0.000029 sfe 7 1.357506 7.988334 0.000000 sfe 8 1.460585 8.552389 0.000000 sfe 9 2.385308 13.836070 0.000000 sfe 10 0.881481 5.236827 0.000000 sfe 11 1.720107 10.011248 0.000000 sfe 12 3.028478 17.228503 0.000000 sfe 13 1.621837 9.415013 0.000000 sfe 14 -2.112019 -13.930155 0.000000 sfe 15 -2.135520 -12.555665 0.000000 sfe 16 -1.365733 -8.268748 0.000000 sfe 17 -2.467824 -14.530023 0.000000 sfe 18 1.777418 10.322379 0.000000 sfe 19 1.448862 8.497522 0.000000 sfe 20 -1.503371 -9.138730 0.000000 sfe 21 -1.540198 -9.324059 0.000000 sfe 22 1.113745 6.634900 0.000000 sfe 23 1.026823 6.072708 0.000000 sfe 24 -2.716205 -17.521329 0.000000 sfe 25 -3.352864 -21.350320 0.000000 sfe 26 0.204327 1.195589 0.231857 sfe 27 0.700969 4.095983 0.000042 sfe 28 1.285174 7.469295 0.000000 sfe 29 0.119937 0.700111 0.483858 sfe 30 4.247738 23.854960 0.000000 sfe 31 0.290618 1.688705 0.091276 sfe 32 -2.131338 -12.509229 0.000000 sfe 33 -2.389373 -14.143482 0.000000 LR-test joint significance spatial fixed effects, degrees of freedom and probability = 796.3842, 33, 0.0000 Pooled model with spatially lagged dependent variable and spatial random effects Dependent Variable = Y R-squared = 0.9998
120
corr-squared = 0.0000 sigma^2 = 0.0002 Nobs,Nvar = 99, 4 log-likelihood = 99.145527 # of iterations = 7 min and max rho = -1.5854, 1.0000 total time in secs = 0.5000 time for optimiz = 0.4690 time for lndet = 0.0160 time for eigs = 0.0150 No lndet approximation used *************************************************************** Variable Coefficient Asymptot t-stat z-probability X1 0.009775 1.780777 0.074949 X2 0.010005 1.800692 0.071751 X3 -0.004359 -0.122161 0.902772 W*dep.var. 0.858596 20.829184 0.000000 teta 0.005025 5.744587 0.000000 LR-test joint significance spatial random effects, degrees of freedom and probability = 394.3001, 1, 0.0000 2. Spatial Error Model (SEM) a. Bobot Queen Contiguity Pooled model with spatial error autocorrelation, no fixed effects Dependent Variable = Y R-squared = 0.7000 corr-squared = 0.7037 sigma^2 = 0.2620 log-likelihood = -77.71822 Nobs,Nvar,#FE = 99, 4, 4 # iterations = 16 min and max rho = -1.4004, 1.0000 total time in secs = 0.4830 time for optimiz = 0.1250 time for lndet = 0.0150 time for eigs = 0.2030 No lndet approximation used *************************************************************** Variable Coefficient Asymptot t-stat z-probability intercept -16.106947 -6.119846 0.000000 X1 0.493746 6.258768 0.000000 X2 0.655024 5.215228 0.000000 X3 0.848358 2.398385 0.016468 spat.aut. 0.476577 5.237326 0.000000 Pooled model with spatial error autocorrelation and spatial fixed effects
121
Dependent Variable = Y R-squared = 0.9981 corr-squared = 0.0366 sigma^2 = 0.0003 log-likelihood = 261.68939 Nobs,Nvar,#FE = 99, 3, 36 # iterations = 16 min and max rho = -1.4004, 1.0000 total time in secs = 1.9030 time for optimiz = 1.8100 time for lndet = 0.0160 time for eigs = 0.0310 No lndet approximation used *************************************************************** Variable Coefficient Asymptot t-stat z-probability X1 -0.002251 -0.271739 0.785823 X2 0.003592 0.517327 0.604928 X3 -0.033397 -0.752605 0.451688 spat.aut. 0.834609 21.413389 0.000000 Mean intercept and spatial fixed effects Variable Coefficient Asymptot t-stat z-probability intercept 8.847986 38.284870 0.000000 sfe 1 -1.207352 -5.801721 0.000000 sfe 2 0.067986 0.297472 0.766106 sfe 3 0.117160 0.506211 0.612708 sfe 4 -0.173721 -0.751096 0.452595 sfe 5 -0.331299 -1.409613 0.158654 sfe 6 -0.389287 -1.670251 0.094870 sfe 7 1.028226 4.395009 0.000011 sfe 8 1.122448 4.774015 0.000002 sfe 9 1.184853 4.992174 0.000001 sfe 10 -0.227694 -0.982570 0.325819 sfe 11 0.561002 2.371670 0.017708 sfe 12 2.130588 8.803989 0.000000 sfe 13 1.273572 5.370246 0.000000 sfe 14 -0.674331 -3.230637 0.001235 sfe 15 -0.682338 -2.914020 0.003568 sfe 16 -2.328141 -10.238590 0.000000 sfe 17 -1.014606 -4.339167 0.000014 sfe 18 0.845662 3.567336 0.000361 sfe 19 1.109231 4.725459 0.000002 sfe 20 -0.054441 -0.240383 0.810033 sfe 21 -0.090749 -0.399049 0.689857 sfe 22 0.801442 3.467988 0.000524 sfe 23 0.721950 3.101350 0.001926 sfe 24 -1.279615 -5.995709 0.000000 sfe 25 -1.914426 -8.854907 0.000000 sfe 26 -0.856754 -3.641400 0.000271
122
sfe 27 -0.392119 -1.664309 0.096051 sfe 28 0.154734 0.653222 0.513613 sfe 29 -0.740887 -3.141384 0.001682 sfe 30 2.897075 11.817824 0.000000 sfe 31 -0.042453 -0.179182 0.857795 sfe 32 -0.678114 -2.890933 0.003841 sfe 33 -0.937605 -4.031338 0.000055 LR-test joint significance spatial fixed effects, degrees of freedom and probability = 717.8610, 33, 0.0000 Pooled model with spatial error autocorrelation and spatial random effects Dependent Variable = Y R-squared = 0.9967 corr-squared = 0.4013 sigma^2 = 0.0039 Nobs,Nvar = 99, 3 log-likelihood = 25.440769 # of iterations = 8 min and max rho = -8063653879982524.0000, 1.0000 total time in secs = 0.3430 time for optimiz = 0.3270 *************************************************************** Variable Coefficient Asymptot t-stat z-probability X1 0.143785 6.354728 0.000000 X2 0.071495 3.010767 0.002606 X3 1.046145 10.327542 0.000000 spat.aut. 0.233389 1.717599 0.085870 teta 242.160955 4.315194 0.000016 LR-test joint significance spatial random effects, degrees of freedom and probability = 245.3637, 1, 0.0000 b. Bobot Customize Pooled model with spatial error autocorrelation, no fixed effects Dependent Variable = Y R-squared = 0.7023 corr-squared = 0.7023 sigma^2 = 0.2693 log-likelihood = -77.912501 Nobs,Nvar,#FE = 99, 4, 4 # iterations = 18 min and max rho = -1.5854, 1.0000 total time in secs = 0.4990 time for optimiz = 0.1250 time for lndet = 0.0310 time for eigs = 0.1870 No lndet approximation used
123
*************************************************************** Variable Coefficient Asymptot t-stat z-probability intercept -16.095231 -7.692122 0.000000 X1 0.594437 9.361350 0.000000 X2 0.545756 4.337858 0.000014 X3 0.943151 2.941632 0.003265 spat.aut. 0.669596 7.635008 0.000000 Pooled model with spatial error autocorrelation and spatial fixed effects Dependent Variable = Y R-squared = 0.9982 corr-squared = 0.2828 sigma^2 = 0.0002 log-likelihood = 301.25051 Nobs,Nvar,#FE = 99, 3, 36 # iterations = 17 min and max rho = -1.5854, 1.0000 total time in secs = 0.1250 time for optimiz = 0.0150 time for lndet = 0.0310 time for eigs = 0.0310 No lndet approximation used *************************************************************** Variable Coefficient Asymptot t-stat z-probability X1 0.001836 0.373236 0.708973 X2 0.008826 2.017402 0.043654 X3 -0.011541 -0.347642 0.728109 spat.aut. 0.967595 84.204182 0.000000 Mean intercept and spatial fixed effects Variable Coefficient Asymptot t-stat z-probability intercept 8.579958 52.374672 0.000000 sfe 1 -1.193954 -8.094018 0.000000 sfe 2 0.070235 0.433544 0.664619 sfe 3 0.113880 0.694150 0.487588 sfe 4 -0.173742 -1.059748 0.289259 sfe 5 -0.332113 -1.993513 0.046205 sfe 6 -0.386579 -2.339934 0.019287 sfe 7 1.024538 6.178073 0.000000 sfe 8 1.118905 6.713733 0.000000 sfe 9 1.175087 6.984710 0.000000 sfe 10 -0.224963 -1.369546 0.170829 sfe 11 0.556029 3.316197 0.000913 sfe 12 2.112383 12.314194 0.000000 sfe 13 1.265590 7.528648 0.000000 sfe 14 -0.660901 -4.466885 0.000008 sfe 15 -0.681167 -4.103927 0.000041 sfe 16 -2.319426 -14.390133 0.000000 sfe 17 -1.013432 -6.114442 0.000000
124
sfe 18 0.840795 5.003691 0.000001 sfe 19 1.108575 6.662552 0.000000 sfe 20 -0.049895 -0.310804 0.755950 sfe 21 -0.086611 -0.537295 0.591064 sfe 22 0.801687 4.893996 0.000001 sfe 23 0.723012 4.381694 0.000012 sfe 24 -1.263884 -8.354527 0.000000 sfe 25 -1.900344 -12.400268 0.000000 sfe 26 -0.855196 -5.127803 0.000000 sfe 27 -0.392985 -2.353124 0.018616 sfe 28 0.151550 0.902574 0.366752 sfe 29 -0.740386 -4.428745 0.000009 sfe 30 2.871151 16.522936 0.000000 sfe 31 -0.046233 -0.275292 0.783092 sfe 32 -0.676382 -4.067997 0.000047 sfe 33 -0.935223 -5.672803 0.000000 LR-test joint significance spatial fixed effects, degrees of freedom and probability = 798.5100, 33, 0.0000 Pooled model with spatial error autocorrelation and spatial random effects Dependent Variable = Y R-squared = 0.9967 corr-squared = 0.3329 sigma^2 = 0.0039 Nobs,Nvar = 99, 3 log-likelihood = 28.138185 # of iterations = 7 min and max rho = -1.5854, 1.0000 total time in secs = 0.2960 time for optimiz = 0.2810 time for t-stats = 0.0150 *************************************************************** Variable Coefficient Asymptot t-stat z-probability X1 0.139917 6.580855 0.000000 X2 0.078203 3.466579 0.000527 X3 1.019354 11.098662 0.000000 spat.aut. -0.304442 -1.722362 0.085004 teta 205.529464 4.536517 0.000006 LR-test joint significance spatial random effects, degrees of freedom and probability = 252.2854, 1, 0.0000
xvii
DAFTAR LAMPIRAN
halaman Lampiran 1 Data Asli Penelitian ..............................................97 Lampiran 2 Data Panel Hasil Transformasi ln .......................102 Lampiran 3 Pembobot Spasial ...............................................107 Lampiran 4 Syntax R Moran’s I dan Moran’s Scatterpot .....109 Lampiran 5 Output Moran’s I dan Moran’s Scatterplot ........109 Lampiran 6 Output Korelasi Pearson dan Variance Inflation
Factors (VIF) .....................................................112 Lampiran 7 Output Uji Dependensi Spasial ..........................113 Lampiran 8 Output Pemodelan Spasial Data Panel ...............115
91
BAB V KESIMPULAN DAN SARAN
Pada bab ini disimpulkan mengenai hasil dan pembahasan
yang telah dijelaskan pada bab sebelumnya dan untuk menjawab rumusan masalah pada bab pertama serta memberikan saran yang membangun untuk manfaatnya penelitian ini maupun sebagai acuan untuk penelitian selanjutnya.
5.1 Kesimpulan 1. Model pertumbuhan ekonomi yang terbentuk yaitu
menggunakan model SAR pooled dengan pembobot queen contiguity pada α = 5%. Model tersebut memiliki nilai R2 , tinggi yaitu 0,7550 dan σ2 rendah yaitu 0,2883 dengan nilai corr2 yaitu 0,7056. Variabel yang signifikan pada model adalah pendapatan asli daerah (X1), belanja modal (X2) dan rumah tangga pengguna listrik (X4). Melalui pengujian interaksi spasial serta efek spasial pada model diperoleh hasil bahwa terdapat interaksi spasial serta efek spasial pada masing-masing kabupaten/kota yang diteliti. Sedangkan pada model yang fixed effects dan random effects mempunyai variabel yang tidak signifikan dan bernilai negatif. Hal ini disebabkan karena ketersediaan dan terbatasnya pada data time series yang hanya menggunakan tiga tahun yaitu tahun 2012, 2013 dan 2014 sebagai data penelitian. Model SAR pooled yang dipilih dapat dituliskan sebagai berikut:
421
33
1ln6609,0ln6144,0ln4044,06176,15ln3036,0ˆln XXXYwY jt
jijit
2. Berdasarkan hasil explanatory spatial data analysis diperoleh
kesimpulan bahwa terdapat indikasi bahwa terjadi autokorelasi spasial antar kabupaten/kota di Provinsi Sumatera Utara baik pada pembobot queen contiguity maupun pembobot customize.
92
5.2 Saran Saran yang dapat diberikan berdasarkan penelitian ini
antara lain sebagai berikut: 1. PDRB kabupaten/kota di Provinsi Sumatera Utara selain
berkaitan dengan input dari kabupaten/kota itu sendiri juga sangat berkaitan dengan input dari kabupaten/kota di sekitarnya. Maka dari itu diperlukan adanya kebijakan pada tingkat provinsi untuk meningkatkan koordinasi antar kabupaten/kota untuk mencapai pemerataan dalam pembangunan ekonomi masing-masing kabupaten/kota sehingga diharapkan dapat terjadi pertumbuhan ekonomi yang berkesinambungan.
2. Pada penelitian ini hanya membahas mengenai kajian estimasi parameter dari model SAR dan SEM mencakup model panel pooled, fixed effects dan random effects, sehingga untuk penelitian selanjutnya dapat dikembangkan kajian mengenai sifat-sifat statistik dari estimasi parameter dan untuk penggunaan data baik pada data time series maupun cross section lebih diperhatikan untuk mendapatkan model yang terbaik.
3. Oleh karena terjadi multikolinearitas antara variabel independen, dilakukan pengeluaran variabel tenaga kerja (X3) dan rata-rata lama sekolah (X5) yang menyebabkan terjadinya kesalahan spesifikasi model pertumbuhan ekonomi Mankiw-Romer-Weil. Untuk penelitian selanjutnya, dapat dikembangkan metode untuk mengatasi multikolinearitas pada model spasial data panel tanpa mengeluarkan variabel sehingga tidak terjadi kesalahan spesifikasi model.
93
DAFTAR PUSTAKA
Ahmad, I.S. (2012). Analisis Empiris Pertumbuhan Ekonomi Regional Di Provinsi Jawa Tengah Dengan Pendekatan Sistem Persamaan Simultan Spasial, Thesis Master, Institut Teknologi Sepuluh Nopember, Surabaya.
Arsyad, L. (1999). Pengantar Perencanaan dan Pembangunan Ekonomi Daerah, Edisi Pertama, BPFE, Yogyakarta
Anselin, L. (1988). Spatial Econometrics: Methods and Models, Kluwer Academic Publishers, The Netherlands.
(2005). Exploring Spatial Data with GeoDa: A Workbook, University of Illinois, Champaign Urbana.
Baltagi, B.H. (2005). Econometrics Analysis of Panel Data, 3rd edition, John Wiley & Sons Ltd, England.
Baltagi, B.H., Blien, U. & Wolf, K. (2012), “A Dynamic Spatial Panel Data Approach to The German Wage Curve”, Economic Modelling, Elsevier, Vol. 29(1), hal. 12-21.
Bank Indonesia. (2015). Kajian Ekonomi dan Keuangan Regional Provinsi Sumatera Utara Triwulan IV- 2014. Diakses pada 20 Januari, 2016, dari www.bi.go.id.
Badan Pusat Statistik (BPS). (2016). Sumatera Utara Dalam Angka 2015. Diakses pada 20 Januari, 2016, dari www.sumut.bps.go.id.
______.(2015). Sumatera Utara Dalam Angka 2014. Diakses pada 20 Januari, 2016, dari www.sumut.bps.go.id.
______.(2014). Sumatera Utara Dalam Angka 2013. Diakses pada 20 Januari, 2016, dari www.sumut.bps.go.id.
Ciarreta, A. & Zarraga, A. (2010). “Economic Growth-Electricity Consumption Causality in 12 European Countries: A Dynamic Panel Data Approach”, Energy Policy, Vol. 38, hal. 3790–3796.
94
Debarsy, N. & Ertur, C. (2010). Testing for Spatial Autocorrelation in a Fixed Effect Panel Data Model. Regional Science and Urban Economics, 40,453-470.
Edi, Y.S. (2012). Quasi-Maximum Likelihood untuk Regresi Panel Spasial (Studi Kasus: Laju Pertumbuhan Ekonomi Kabupaten/Kota di Provinsi Jawa Timur 2007 – 2009), Thesis, Institut Teknologi Sepuluh Nopember, Surabaya.
Elhorst, J.P. (2003). “Specification and Estimation of Spatial Panel Data Models”, International Regional Science Review 26, Vol. 3, hal. 244–268.
(2010). “Spatial Panel Data Models” dalam Handbook of Applied Spatial Analysis, eds. Fischer, Manfred, M. and Getis, A., Springer, Berlin, hal. 377–407.
(2013). “Spatial Panel Models”, dalam Handbook of Regional Science, eds. Fischer, Manfred, M. and Nijkamp, P., Springer, Berlin, Ch. 8.2.
(2014). Spatial Econometrics: From Cross-Sectional Data to Spatial Panels, Springer, Heidelberg, New York, Dordrecht, London.
Gujarati, D.N. (2009). Basic Econometric 5th Edition . New York: McGraw Hill Companies Inc.
LeSage, J.P. (1999). Spatial Econometrics, www.spatial-econometrics.com/html/wbook.pdf.
LeSage, J.P. & Pace, R.K. (2009). Introduction to Spatial Econometrics, CRC Press Taylor & Francis Group, USA.
Marsono. (2013). Pemodelan Pengangguran Terbuka di Indonesia dengan Pendekatan Ekonometrika Spasial Data Panel, Thesis (Tidak Dipublikasikan), Institut Teknologi Sepuluh Nopember, Surabaya.
Mildino, S. (2011). Pemilihan Model Fixed Effects dan Random Effects pada Pemodelan Ekonometrika Spasial Data Panel (Studi Kasus: Pemodelan Indeks Rasio Gini Provinsi di Pulau Jawa), Thesis, Institut Teknologi Sepuluh Nopember, Surabaya.
95
Perobelli, F.S. & Haddad, E.A. (2003). “An Exploratory Spatial Data Analysis of Brazilian Interregional Trade (1985-1996)”, Discussion Paper of The Regional Economics Applications Laboratory University of Illinois, Champaign USA.
Sardadvar, S. (2011). Economic Growth in The Region of Europe, Springer-Verlag, Berlin Heidelberg.
Setiawan & Kusrini, D.E. (2010). Ekonometrika, Andi, Yogyakarta.
Tobler, W.R. (1970). “A Computer Movie Simulating Urban Growth in the Detroit Region. Economic Geography”. Proceedings of International Geographical Union. Commission on Quantitative Methods, Vol. 46, hal. 234-240.
Utami, N.K.T. (2015). Pemodelan Pertumbuhan Ekonomi Provinsi Bali Dengan Menggunakan Model Ekonometrika Spasial Data Panel, Thesis (Tidak Dipublikasikan), Institut Teknologi Sepuluh Nopember, Surabaya.
Widarjono, A. (2013). Ekonometrika Pengantar dan Aplikasinya Disertai Panduan EViews. Yogyakarta: UPP STIM YKPN.
BIODATA PENULIS
Penulis Tugas Akhir ini bernama Ongki Novriandi Purba. Penulis dilahirkan di Simpang Empat pada tanggal 5 Nopember 1992 dan merupakan anak kedua dari pasangan Edi Warman Purba dan Tiomaria Saragih. Penulis menyelesaikan pendidikan formal di SD Negeri 0102028 Simpang Empat, SMP Negeri 1 Simpang Empat, SMA Negeri 2 Kisaran.
Penulis juga pernah menerima beasiswa Bank Indonesia dan aktif dalam komunitas penerima beasiswa Bank Indonesia yaitu Generasi Baru Indonesia dan selama mengikuti perkuliahan juga ikut terlibat magang di Bank Indonesia. Penulis memiliki hobi membaca, travelling, bernyanyi dan bermain musik. Segala kritik, saran dan pertanyaan untuk penulis dapat dikirimkan melalui alamat email [email protected].
Penulis masuk D3 Statistika Universitas Sumatera Utara 2010. Setelah menyelesaikan pendidikan Diploma, penulis mengikuti ujian masuk Program Lintas Jalur Statistika ITS Surabaya dan diterima pada tahun 2014.